最近，我们这边需要做一次防爬虫和机器蜘蛛的困扰，感觉困惑，有点无从入手，倒不如，直接用Python来写一个Spiner理解其各种原理，再下手也不迟啊，于是便立刻去写一个爬虫程序。
使用方法：
新建一个BugBaidu.py文件，然后将代码复制到里面后，双击运行。
程序功能：
将贴吧中楼主发布的内容打包txt存储到本地。
好，不废话，直接上代码：
#!/usr/bin/python
#-*- coding: utf-8 -*-
import string
import urllib2
import re
# ----------- 处理页面上的各种标签 -----------
class HTML_Tool:
# 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片
BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")
# 用非 贪婪模式 匹配 任意<>标签
EndCharToNoneRex = re.compile("<.*?>")
# 用非 贪婪模式 匹配 任意<p>标签
BgnPartRex = re.compile("<p.*?>")
CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
CharToNextTabRex = re.compile("<td>")
# 将一些html的符号实体转变为原始符号
replaceTab = [("<", "<"), (">", ">"), ("&", "&"), ("&", "\""), (" ", " ")]
def Replace_Char(self, x):
x = self.BgnCharToNoneRex.sub("", x)
x = self.BgnPartRex.sub("\n ", x)
x = self.CharToNewLineRex.sub("\n", x)
x = self.CharToNextTabRex.sub("\t", x)
x = self.EndCharToNoneRex.sub("", x)
for t in self.replaceTab:
x = x.replace(t[0], t[1])
return x
class Yzw_Spider:
# 申明相关的属性
def __init__(self, url):
self.myUrl = url + ‘?see_lz=1‘
self.datas = []
self.myTool = HTML_Tool()
print u‘已经启动爬虫，咔嚓咔嚓‘
# 初始化加载页面并将其转码储存
def yzw_tieba(self):
# 读取页面的原始信息并将其从utf-8转码
myPage = urllib2.urlopen(self.myUrl).read().decode("utf-8")
# 计算楼主发布内容一共有多少页
endPage = self.page_counter(myPage)
# 获取该帖的标题
title = self.find_title(myPage)
print u‘文章名称：‘ + title
# 获取最终的数据
self.save_data(self.myUrl, title, endPage)
# 用来计算一共有多少页
def page_counter(self, myPage):
# 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页
myMatch = re.search(r‘class="red">(\d+?)</span>‘, myPage, re.S)
if myMatch:
endPage = int(myMatch.group(1))
print u‘爬虫报告：发现楼主共有%d页的原创内容‘ % endPage
else:
endPage = 0
print u‘爬虫报告：无法计算楼主发布内容有多少页！‘
return endPage
# 用来寻找该帖的标题
def find_title(self, myPage):
# 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题
myMatch = re.search(r‘<h1.*?>(.*?)</h1>‘, myPage, re.S)
title = u‘暂无标题‘
if myMatch:
title = myMatch.group(1)
else:
print u‘爬虫报告：无法加载文章标题！‘
# 文件名不能包含以下字符： \ / ： * ? " < > |
title = title.replace(‘\\‘, ‘‘).replace(‘/‘, ‘‘).replace(‘:‘, ‘‘).replace(‘*‘, ‘‘).replace(‘?‘, ‘‘).replace(‘"‘,
‘‘).replace(
‘>‘, ‘‘).replace(‘<‘, ‘‘).replace(‘|‘, ‘‘)
return title
# 用来存储楼主发布的内容
def save_data(self, url, title, endPage):
# 加载页面数据到数组中
self.get_data(url, endPage)
# 打开本地文件
f = open(title + ‘.txt‘, ‘w+‘)
f.writelines(self.datas)
f.close()
print u‘爬虫报告：文件已下载到本地并打包成txt文件‘
print u‘请按任意键退出...‘
raw_input();
# 获取页面源码并将其存储到数组中
def get_data(self, url, endPage):
url = url + ‘&pn=‘
for i in range(1, endPage + 1):
print u‘爬虫报告：爬虫%d号正在加载中...‘ % i
myPage = urllib2.urlopen(url + str(i)).read()
# 将myPage中的html代码处理并存储到datas里面
self.deal_data(myPage.decode(‘utf-8‘))
# 将内容从页面代码中抠出来
def deal_data(self, myPage):
myItems = re.findall(‘id="post_content.*?>(.*?)</div>‘, myPage, re.S)
for item in myItems:
data = self.myTool.Replace_Char(item.replace("\n", "").encode(‘gbk‘))
self.datas.append(data + ‘\n‘)
# -------- 程序入口处 ------------------
print u"""#---------------------------------------
# 程序：一站网爬虫
# 语言：Python 2.7
# 操作：输入网址后自动只看楼主并保存到本地文件
# 功能：将楼主发布的内容打包txt存储到本地。
#---------------------------------------
"""
# 以某热点推荐为例子
# bdurl = ‘http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1‘
print u‘请输入热点的地址最后的数字串：‘
bdurl = ‘http://tieba.baidu.com/p/‘ + str(raw_input(u‘http://tieba.baidu.com/p/‘))
# 调用
mySpider = Yzw_Spider(bdurl)
mySpider.yzw_tieba()最后，得出的是一个.txt的文档，但里面有我需要爬下来的内容，如图：
就这样一个爬虫程序就OK了
本文出自 “Microsoft” 博客，请务必保留此出处http://1238306.blog.51cto.com/1228306/1792536
原文地址：http://1238306.blog.51cto.com/1228306/1792536
