【python学习】网络爬虫——爬百度贴吧帖子内容

很久以前，很喜欢泡贴吧，因为那里有自己牵挂的人和事

一转眼过去好多年了......

一个简单的学习爬虫的例子，爬百度贴吧帖子内容

代码如下：

# -*- coding:utf-8 -*-

#import urllib
import urllib2
import re

#功能性类，过滤掉html标签的类
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()

#百度贴吧爬虫类
class BDTB:
    #初始化，传入网址，只看楼主的参数，传入1就只看楼主
    def __init__(self, baseUrl, seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = ‘?see_lz=‘ + str(seeLZ)
        self.tool = Tool()

    def getPage(self, pageNum):
        try:
            url = self.baseURL + self.seeLZ + ‘&pn=‘ + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read().decode(‘utf-8‘)
        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 getTile(self):
        print ‘获取帖子标题开始‘
        page = self.getPage(1)
        pattern = re.compile(‘<h3 class="core_title_txt.*?>(.*?)</h3>‘, re.S)
        result = re.search(pattern, page)
        if result:
            print result.group(1).strip()
        print ‘获取帖子标题结束‘

    #提取帖子页数
    #获取帖子一共有多少页
    def getPageNum(self):
        print ‘获取帖子页数一共有多少页开始‘
        page = self.getPage(1)
        pattern = re.compile(‘<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>‘, re.S)
        result = re.search(pattern, page)
        if result:
            print  result.group(1).strip()
            print ‘获取帖子页数一共有多少页结束‘
            return result.group(1).strip()

    #提取单页帖子内容
    def getPageContent(self, page):
        pattern = re.compile(‘<div id="post_content_.*?>(.*?)</div>‘, re.S)
        items = re.findall(pattern, page)
        for item in items:
            print self.tool.replace(item)

    #汇总所有帖子内容
    def getAllContent(self):
        print ‘获取正文内容开始------>‘
        for i in range(int(self.getPageNum())):
            bdtb.getPageContent(self.getPage(i+1))
        print ‘<------获取正文内容结束‘

baseURL = ‘http://tieba.baidu.com/p/4452150954‘
bdtb = BDTB(baseURL, 1)
bdtb.getTile()
bdtb.getAllContent()