标签：
最近拉肚子三天了，晚上单位又聚餐，一不小心吃多了点，晚上跑厕所跑的频繁，索性睡不着了，参照网上资料，敲了段python 爬虫代码，第一次学习除了shell 和js 外的脚本语言，无限的坑坑，都说python 的效率是 java 的3倍，由于是新手，跌跌撞撞总算是写了出来，还是比较欣慰的。
简单介绍一下python ：
1、设计哲学： Python的设计哲学是“优雅”、“明确”、“简单”。因此，Perl语言中“总是有多种方法来做同一件事”的理念在Python开发者中通常是难以忍受的。Python开发者的哲学是“用一种方法，最好是只有一种方法来做一件事”。
2、用途：（1）.运维：数据挖掘。
（2）.抓取网页比较多，生成报表，批量删除某种文件等等小事。。。
（3）.数据采集，服务器上小工具编写
（4）.使用范围广，Linux和Windows、Mac OS等上都能用，也就是平台无关性吧
（5）.很多自动化测试工具都支持Python脚本，所以才需要应聘者了解这方面
（6）.整理文档，备份，监视服务器
3、常见的python web 框架
Django: Python Web应用开发框架
Flask：一个用Python编写的轻量级Web应用框架
Web2py：全栈式Web框架
Dpark：Python版的Spark
言归正传：写代码第一个坑就是缩进，最近看一些个作者的代码没有缩进简直无法忍受，要是在python中没有缩进，他能弄死你。第二个坑就是代码调试。好歹都已经解决，下面是我爬了百度贴吧nba 的一个帖子，如下：
__author__ = ‘CQC‘
# -*- coding:utf-8 -*-
#import urllib
import urllib2
import re
#处理页面标签类
class Tool:
#去除img标签,7位长空格
removeImg = re.compile(‘<img.*?>| {7}|‘)
#删除超链接标签
removeAddr = re.compile(‘<a.*?>|</a>‘)
#把换行的标签换为\n
replaceLine = re.compile(‘<tr>|<div>|</div>|</p>‘)
#将表格制表<td>替换为\t
replaceTD = re.compile(‘<td>‘)
#把段落开头换为\n加空两格
replacePara = re.compile(‘<p.*?>‘)
#将换行符或双换行符替换为\n
replaceBR = re.compile(‘<br><br>|<br>‘)
#将其余标签剔除
removeExtraTag = re.compile(‘<.*?>‘)
def replace(self, x):
x = re.sub(self.removeImg, "", x)
x = re.sub(self.removeAddr, "", x)
x = re.sub(self.replaceLine, "\n", x)
x = re.sub(self.replaceTD, "\t", x)
x = re.sub(self.replacePara, "\n ", x)
x = re.sub(self.replaceBR, "\n", x)
x = re.sub(self.removeExtraTag, "", x)
#strip()将前后多余内容删除
return x.strip()
#百度贴吧爬虫类
class BDTB:
#初始化，传入基地址，是否只看楼主的参数
def __init__(self, baseUrl, seeLZ):
print ‘_int_ 相当于这个累的构造函数‘
self.baseURL = baseUrl
self.seeLZ = ‘?see_lz=‘ + str(seeLZ)
self.tool = Tool()
def getPage(self, pageNum):
print ‘获取百度贴吧地几页的帖子开始‘
try:
url = self.baseURL + self.seeLZ + ‘&pn=‘ + str(pageNum)
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read().decode(‘utf-8‘)
except urllib2.URLError, e:
if hasattr(e, "reason"):
print u"连接百度贴吧失败.错误原因", e.reason
return None
print ‘获取百度贴吧地几页的帖子结束‘
#获取帖子标题
def getTile(self):
print ‘获取帖子标题开始‘
page = self.getPage(1)
pattern = re.compile(‘<h1 class="core_title_txt.*?>(.*?)</h1>‘, re.S)
result = re.search(pattern, page)
if result:
#print result.group(1)#测试输出
return result.group(1).strip()
else:
return None
print ‘获取帖子标题结束‘
#提取帖子页数
#获取帖子一共有多少页
def getPageNum(self):
print ‘获取帖子页数一共有多少页开始‘
page = self.getPage(1)
pattern = re.compile(‘<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>‘, re.S)
result = re.search(pattern, page)
if result:
#print result.group(1)#测试输出
return result.group(1).strip()
else:
return None
print ‘获取帖子页数一共有多少页结束‘
def getContent(self, page):
print ‘获取正文内容开始‘
pattern = re.compile(‘<div id="post_content_.*?>(.*?)</div>‘, re.S)
items = re.findall(pattern, page)
#for item in items:
# print item
#print items[1]
print self.tool.replace(items[1])
print ‘获取正文内容结束‘
baseURL = ‘http://tieba.baidu.com/p/3138733512‘
bdtb = BDTB(baseURL, 1)
bdtb.getContent(bdtb.getPage(1))
标签：
原文地址：http://my.oschina.net/u/2325281/blog/509292
