标签:
上篇文章已经介绍了抓取糗事百科的段子,这篇文章来抓取百度贴吧帖子内容,涉及到urllib,urllib2,re等模块。
代码实现功能:
1.获取某一个帖子的标题
2.获取帖子回复的所有页数,以及每一页的内容
3.可以只获取楼主的回复(使用数字1声明),或者所有回复(使用数字0声明)
直接使用oop编程的方式编写代码:
代码如下:
#!/usr/bin/env python #coding:utf8 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() class BDTB(object): #seeLZ: 0:查看所有回复 1:只看楼主回复 def __init__(self, baseUrl, seeLZ): self.baseURL = baseUrl self.seeLZ = ‘?see_lz=‘ + str(seeLZ) self.tool = Tool() #获取帖子页面数内容 def getPage(self, pageNum): try: url = self.baseURL + self.seeLZ + ‘&pn=‘ + str(pageNum) req = urllib2.Request(url) response = urllib2.urlopen(req) #print response.read() html = response.read().decode(‘utf-8‘) return html except urllib2.URLError,e: if hasattr(e, ‘reason‘): print u‘连接百度贴吧失效,错误原因:‘, e.reason return None #获取帖子标题 def getTitle(self, pageNum): page = self.getPage(pageNum) pat1 = re.compile(r‘<h3 class="core_title_txt.*?>(.*?)</h3>‘, re.S) result = re.search(pat1, page) if result: print result.group(1) else: return None #获取帖子回复页数 def getPageNum(self, pageNum): page = self.getPage(pageNum) pat1 = re.compile(r‘<li class="l_reply_num".*?</span>.*?<span.*?>(.*?)</span>‘, re.S) result = re.search(pat1, page) if result: print result.group(1) return int(result.group(1)) else: return None #获取帖子回复内容 def getContent(self, pageNum): page = self.getPage(pageNum) pat1 = re.compile(r‘<div id="post_content.*?>(.*?)</div>‘, re.S) items = re.findall(pat1, page) # for item in items: # print item floor = 1 for item in items: print ‘‘ print ‘第%s页的帖子内容:‘ %pageNum print floor,u‘楼-----------------------‘ print self.tool.replace(item) floor += 1 #调用执行主函数 if __name__ == ‘__main__‘: baseURL = ‘http://tieba.baidu.com/p/3138733512‘ bdtb = BDTB(baseURL,0) bdtb.getTitle(1) page_num = bdtb.getPageNum(1) for i in xrange(page_num): bdtb.getContent(i+1)
标签:
原文地址:http://www.cnblogs.com/xkops/p/5869509.html