码迷,mamicode.com
首页 > 编程语言 > 详细

python 爬虫第二例--百度贴吧

时间:2017-07-18 16:51:47      阅读:268      评论:0      收藏:0      [点我收藏+]

标签:变量   txt   操作   异常   one   efault   nal   clear   全局   

python 第二例,爬取百度贴吧的帖子,获取帖子的标题,内容,所在楼层,发布时间

其中存在一个问题,当该帖子是手机端发布的帖子,此时在页面中会有标识,因此多一个span标签,与楼层和发布时间的标签一样

解决方法: 目潜想到的解决方法是通过判断爬到的值来进行选择,但解决方案效率肯定低,因此未使用,等知识体系丰富后再进行改进

附爬取的代码:

# -*- coding: utf-8 -*-
import urllib2
import urllib
import re

class Tool:
    # 去除Img标签
    removeImg = re.compile(r<img.*?>| {0,100}|)
    # 删除超链接标签
    removeAddr = re.compile(r<a.*?>|</a>)
    # 把换行标签转换为\n
    replaceLine= re.compile(r<tr>|<div>|</div>|</p>)
    # 把表格制表转换为\t
    replaceTD = re.compile(r<td>)
    # 把段落开头转换为\n加两个空格
    replacePara = re.compile(<br><br>|<br>|<br><br><br>)
    # 将其余标签去除
    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.removeExtraTag, "", x)
        # 使用strip() 方法将前后多余内容删除
        return x.strip()
class BDTB:
    #初始化变量,传入基类地址,传入是否只看楼主参数
    def __init__(self, baseUrl, onlyLz, floorTag):
        # 基地址
        self.baseUrl = baseUrl
        # 是否只看楼主
        self.onlyLz = ?see_lz= + str(onlyLz)
        # 实例化替换去除标签类
        self.tool = Tool()
        # 全局file变量,文件写入操作对象
        self.file = None
        # 默认标签,若没有获得标题,使用此标题
        self.defaultTitle = u"百度贴吧帖子"
        # 是否写入楼层信息
        self.floorTag = floorTag
    # 传入页码,获取该帖子的代码
    def getPage(self, pageNum):
        try:
            url = self.baseUrl + self.onlyLz + &pn= + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read().decode(utf-8)
        except urllib2.URLError,e:
            if hasattr(e, code):
                print u"连接百度贴吧失败,错误编码:" + e.code
                return None
            if hasattr(e, reason):
                print u"连接百度贴吧失败,错误原因:" + e.reason
                return None

    # 获取帖子的标题
    def getTitle(self, page):
        pattren = re.compile(r<h3 class="core_title_txt pull-left text-overflow  ".*?>(.*?)</h3>,re.S)
        items = re.search(pattren, page)
        if items:
            # print items.group(1).strip()
            return items.group(1).strip()
        else:
            return None

    # 提取帖子页数
    def getPageNum(self, page):
        pattren = re.compile(r<ul class="l_posts_num">.*?<span class="red">(.*?)</span>,re.S)
        items = re.search(pattren, page)
        if items:
            # print items.group(1)
            return items.group(1).strip()
        else:
            return None
    # 提取正文内容
    def getContent(self, page):
        pattren = re.compile(r<div id="post_content_.*?>(.*?)</div>.*?<div class="core_reply_tail clearfix">.*?<span class="tail-info">(.*?)</span>.*?<span class="tail-info">(.*?)</span>,re.S)
        items = re.findall(pattren, page)
        contents = []
        for item in items:
            content = []
            title = "\n" + self.tool.replace(item[0]) + "\n"
            floor = item[1]
            writeTime = item[2]
            content.append(title.encode("utf-8"))
            content.append(floor.encode("utf-8"))
            content.append(writeTime.encode("utf-8"))
            contents.append(content)
        return contents
    # 设置文件名字
    def setFileTIltle(self, title):
        if title is not None:
            self.file = open(title + ".txt", "w+")
        else:
            self.file = open(self.defaultTitle + ".txt", "w+")
    # 将内容写入文件
    def writeData(self, contents):
        for item in contents:
            if self.floorTag == 1:
                floorLineTime = "\n" + item[1] +"-----------------------------\n"+item[2]
                self.file.write(floorLineTime)
            self.file.write(item[0])
            # floorLine = "\n" + item[‘‘]
            # print "------------------%s--------------------%s-----------------"%(item[1],item[2])
            # print self.tool.replace(item[0])
        # print self.tool.replace(items[1])
        # print items[1]
    def start(self):
        indexPage = self.getPage(1)
        pageNum = self.getPageNum(indexPage)
        title = self.getTitle(indexPage)
        self.setFileTIltle(title)
        if pageNum == None:
            print "URL已经失效"
        try:
            print "该帖子一共有"+str(pageNum)+""
            for i in range(1, int(pageNum)+1):
                print "正在写入第" + str(i) + "页数据"
                page = self.getPage(i)
                contents = self.getContent(page)
                self.writeData(contents)
        except IOError,e:
            print "写入异常,原因:"+e.message
        finally:
            print "写入完成"

print u"请输入帖子代号"
baseUrl = http://tieba.baidu.com/p/ + str(raw_input(u"http://tieba.baidu.com/p/"))
seeLZ = raw_input("是否只获取楼主的帖子是输入1,否输入0\n")
floorTag = raw_input("是否写入楼层与时间信息是输入1,否输入0\n")
bdtb = BDTB(baseUrl, seeLZ, floorTag)
bdtb.start()

 

python 爬虫第二例--百度贴吧

标签:变量   txt   操作   异常   one   efault   nal   clear   全局   

原文地址:http://www.cnblogs.com/rcltocode/p/7200990.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!