一个完整的大作业

用Python写的百度贴吧的网络爬虫。

1.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。

2.程序功能：

将贴吧中楼主发布的内容打包txt存储到本地。

3.原理解释：

首先，先浏览一下某一条贴吧，点击只看楼主并点击第二页之后url发生了一点变化，变成了：http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1可以看出来，see_lz=1是只看楼主，pn=1是对应的页码，记住这一点为以后的编写做准备。这就是我们需要利用的url。接下来就是查看页面源码。首先把题目抠出来存储文件的时候会用到。可以看到百度使用gbk编码，标题使用h1标记：

4.运行截图：

5.生成的txt文件：

6.源代码展示：

# -*- 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 Baidu_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‘已经启动百度贴吧爬虫，咔嚓咔嚓‘
  # 初始化加载页面并将其转码储存
  def baidu_tieba(self):
    # 读取页面的原始信息并将其从gbk转码
    myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")
    # 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(‘gbk‘))
  # 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 ------------------# 以某小说贴吧为例子
# bdurl = ‘http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1‘
print u‘请输入贴吧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 = Baidu_Spider(bdurl)
mySpider.baidu_tieba()

7.生成词云的原代码

#coding:utf-8
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt

text =open(r"C:\Users\Administrator\Desktop\sheng.txt",‘r‘).read()

wordlist = jieba.cut(text,cut_all=True)
wl_split = "/".join(wordlist)

mywc = WordCloud().generate(text)
plt.imshow(mywc)
plt.axis("off")
plt.show()

这是我对Python爬虫的理解，谢谢老师的教育和指导。这是我工作前，学到最实用的课程。非常感谢。