当前位置: 开发笔记 > 编程语言 > 正文

Python2爬虫中爬取百度贴吧帖子的案例

作者：独孤依人x_762 | 来源：互联网 | 2023-01-09 17:56

这篇文章主要介绍Python2爬虫中爬取百度贴吧帖子的案例，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！前言亲爱的们

这篇文章主要介绍Python2爬虫中爬取百度贴吧帖子的案例，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

前言

亲爱的们，教程比较旧了，百度贴吧页面可能改版，可能代码不好使，八成是正则表达式那儿匹配不到了，请更改一下正则，当然最主要的还是帮助大家理解思路。

本篇目标
1.对百度贴吧的任意帖子进行抓取
2.指定是否只抓取楼主发帖内容
3.将抓取到的内容分析并保存到文件

1.URL格式的确定

首先，我们先观察一下百度贴吧的任意一个帖子。

比如：http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1，这是一个关于NBA50大的盘点，分析一下这个地址。

 http://  代表资源传输使用http协议
 tieba.baidu.com 是百度的二级域名，指向百度贴吧的服务器。
 /p/3138733512 是服务器某个资源，即这个帖子的地址定位符
 see_lz和pn是该URL的两个参数，分别代表了只看楼主和帖子页码，等于1表示该条件为真

所以我们可以把URL分为两部分，一部分为基础部分，一部分为参数部分。

例如，上面的URL我们划分基础部分是 http://tieba.baidu.com/p/3138733512，参数部分是 ?see_lz=1&pn=1

2.页面的抓取

熟悉了URL的格式，那就让我们用urllib2库来试着抓取页面内容吧。上一篇糗事百科我们最后改成了面向对象的编码方式，这次我们直接尝试一下，定义一个类名叫BDTB(百度贴吧)，一个初始化方法，一个获取页面的方法。

其中，有些帖子我们想指定给程序是否要只看楼主，所以我们把只看楼主的参数初始化放在类的初始化上，即init方法。另外，获取页面的方法我们需要知道一个参数就是帖子页码，所以这个参数的指定我们放在该方法中。

综上，我们初步构建出基础代码如下：

__author__ = &＃39;CQC&＃39;
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
#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):
        self.baseURL = baseUrl
        self.seeLZ = &＃39;?see_lz=&＃39;+str(seeLZ)
    #传入页码，获取该页帖子的代码
    def getPage(self,pageNum):
        try:
            url = self.baseURL+ self.seeLZ + &＃39;&pn=&＃39; + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            print response.read()
            return response
        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
baseURL = &＃39;http://tieba.baidu.com/p/3138733512&＃39;
bdtb = BDTB(baseURL,1)
bdtb.getPage(1)

运行代码，我们可以看到屏幕上打印出了这个帖子第一页楼主发言的所有内容，形式为HTML代码。

Python2爬虫中爬取百度贴吧帖子的案例

3.提取相关信息

1）提取帖子标题

首先，让我们提取帖子的标题。

在浏览器中审查元素，或者按F12，查看页面源代码，我们找到标题所在的代码段，可以发现这个标题的HTML代码是：

纯原创我心中的
NBA2014-2015赛季现役50大

所以我们想提取

标签中的内容，同时还要指定这个class确定唯一，因为h2标签实在太多啦。

正则表达式如下：

(.*?)

所以，我们增加一个获取页面标题的方法

#获取帖子标题
def getTitle(self):
    page = self.getPage(1)
    pattern = re.compile(&＃39;(.*?)&＃39;,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

2）提取帖子页数

同样地，帖子总页数我们也可以通过分析页面中的共?页来获取。所以我们的获取总页数的方法如下：

#获取帖子一共有多少页
def getPageNum(self):
    page = self.getPage(1)
    pattern = re.compile(&＃39;.*?(.*?)&＃39;,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

3）提取正文内容

审查元素，我们可以看到百度贴吧每一层楼的主要内容都在

标签里面，所以我们可以写如下的正则表达式

(.*?)

相应地，获取页面所有楼层数据的方法可以写成如下方法：

#获取每一层楼的内容,传入页面内容
def getContent(self,page):
    pattern = re.compile(&＃39;(.*?)

&＃39;,re.S) items = re.findall(pattern,page) for item in items: print item

好，我们运行一下结果看一下：

Python2爬虫中爬取百度贴吧帖子的案例

真是醉了，还有一大片换行符和图片符，好口怕！既然这样，我们就要对这些文本进行处理，把各种各样复杂的标签给它剔除掉，还原精华内容，把文本处理写成一个方法也可以，不过为了实现更好的代码架构和代码重用，我们可以考虑把标签等的处理写作一个类。

那我们就叫它Tool（工具类吧），里面定义了一个方法，叫replace，是替换各种标签的。在类中定义了几个正则表达式，主要利用了re.sub方法对文本进行匹配后然后替换。具体的思路已经写到注释中，大家可以看一下这个类。

import re
#处理页面标签类
class Tool:
    #去除img标签,7位长空格
    removeImg = re.compile(&＃39;| {7}|&＃39;)
    #删除超链接标签
    removeAddr = re.compile(&＃39;|&＃39;)
    #把换行的标签换为\n
    replaceLine = re.compile(&＃39;||
|&＃39;)
    #将表格制表替换为\t
    replaceTD= re.compile(&＃39;&＃39;)
    #把段落开头换为\n加空两格
    replacePara = re.compile(&＃39;&＃39;)
    #将换行符或双换行符替换为\n
    replaceBR = re.compile(&＃39;

|
&＃39;)
    #将其余标签剔除
    removeExtraTag = re.compile(&＃39;<.*?>&＃39;)
    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()

在使用时，我们只需要初始化一下这个类，然后调用replace方法即可。

现在整体代码是如下这样子的，现在我的代码是写到这样子的。

__author__ = &＃39;CQC&＃39;
# -*- 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(&＃39;| {7}|&＃39;)
    #删除超链接标签
    removeAddr = re.compile(&＃39;|&＃39;)
    #把换行的标签换为\n
    replaceLine = re.compile(&＃39;||
|&＃39;)
    #将表格制表替换为\t
    replaceTD= re.compile(&＃39;&＃39;)
    #把段落开头换为\n加空两格
    replacePara = re.compile(&＃39;&＃39;)
    #将换行符或双换行符替换为\n
    replaceBR = re.compile(&＃39;

|
&＃39;)
    #将其余标签剔除
    removeExtraTag = re.compile(&＃39;<.*?>&＃39;)
    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):
        self.baseURL = baseUrl
        self.seeLZ = &＃39;?see_lz=&＃39;+str(seeLZ)
        self.tool = Tool()
    #传入页码，获取该页帖子的代码
    def getPage(self,pageNum):
        try:
            url = self.baseURL+ self.seeLZ + &＃39;&pn=&＃39; + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read().decode(&＃39;utf-8&＃39;)
        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
    #获取帖子标题
    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile(&＃39;(.*?)&＃39;,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
    #获取帖子一共有多少页
    def getPageNum(self):
        page = self.getPage(1)
        pattern = re.compile(&＃39;.*?(.*?)&＃39;,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
    #获取每一层楼的内容,传入页面内容
    def getContent(self,page):
        pattern = re.compile(&＃39;(.*?)

我们尝试一下，重新再看一下效果，这下经过处理之后应该就没问题了，是不是感觉好酸爽！

至于这个问题，我感觉直接提取楼层没什么必要呀，因为只看楼主的话，有些楼层的编号是间隔的，所以我们得到的楼层序号是不连续的，这样我们保存下来也没什么用。

1.每打印输出一段楼层，写入一行横线来间隔，或者换行符也好。

2.试着重新编一个楼层，按照顺序，设置一个变量，每打印出一个结果变量加一，打印出这个变量当做楼层。

嘿嘿，效果还不错吧，感觉真酸爽！接下来我们完善一下，然后写入文件。

最后便是写入文件的过程，过程很简单，就几句话的代码而已，主要是利用了以下两句：

现在我们对代码进行优化，重构，在一些地方添加必要的打印信息，整理如下：

完成之后，可以查看一下当前目录下多了一个以该帖子命名的txt文件，内容便是帖子的所有数据。

以上是Python2爬虫中爬取百度贴吧帖子的案例的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注编程笔记行业资讯频道！