Python实战项目网络爬虫 之 爬取小说吧小说正文

本次实战项目适合，有一定Python语法知识的小白学员。本人也是根据一些网上的资料，自己摸索编写的内容。有不明白的童鞋，欢迎提问。

目的：爬取百度小说吧中的原创小说《猎奇师》部分小说内容

链接：http://tieba.baidu.com/p/4792877734

首先，自己定义一个类，方便使用。其实类就像一个“水果篮”，这个“水果篮”里有很多的“水果”，也就是我们类里面定义的变量啊，函数啊等等，各种各样的。每一种"水果"都有自己的独特的口味，也即是各个函数实现的功能各不相同。

然后，按照这个思路，既然要爬取小说，那么肯定要有目标网页的地址，也就是上面我给的那个连接。其实就像买水果之前，我们要找到水果店。

打开目标贴吧后，会发现里面有很多的贴子，有楼主发的，还有读者评论的，很多很杂。不过，没关系。度娘给了我们一个强大的功能，只看楼主。这就是我们的切入点。点击只看楼主按钮，哈哈，此时呈现在眼前的就是楼主的主要内容啦。

相应的，此时的网页也有所改变，地址上多了一个只看楼主的标记 http://tieba.baidu.com/p/4792877734?see_lz=1

所以，我们在定义类中的初始化函数时，就要有这个标记。

接下来，我们开始在选择不同口味的水果。我们要先获取网页的源代码，就需要有一个getPage的函数。函数里需要有我们的页码，注意我们选择不同也的小说，会发现，我们的地址也是有稍稍变动的，比如：第二页连接：http://tieba.baidu.com/p/4792877734?see_lz=1&pn=2     多了&pn=2。这个我们要整合一下。

（未完>>>>>>>>>明晚继续）

下面是我的代码：

 1 #-*- coding:utf-8 -*-
 2 import urllib
 3 import urllib2
 4 import re
 5
 6 # 百度小说吧  原创小说《猎奇师》
 7 # 连接http://tieba.baidu.com/p/4792877734?see_lz=1
 8 # 第二页连接：http://tieba.baidu.com/p/4792877734?see_lz=1&pn=2
 9 class LQS:
10     def __init__(self,daseUrl,seeLZ):
11         self.daseUrl = daseUrl
12         self.seeLZ =‘?see_lz=‘ + str(seeLZ)
13     # 传入页码，获取网页源代码
14     def getPage(self,pageNum):
15         try:
16             # 拼接，地址 + 楼主参数 + 页数
17             url = self.daseUrl + self.seeLZ + ‘&pn=‘ + str(pageNum)
18             request = urllib2.Request(url)
19             response = urllib2.urlopen(request)
20             return response.read()
21         except Exception,e:# 处理异常
22             print e
23     # 获取标题
24     def getTitle(self,pageNum):
25         html = self.getPage(pageNum)
26         reg = re.compile(r‘<title>【原创】恐怖故事 (.*?)_小说吧_百度贴吧</title>‘)
27         items = re.findall(reg,html)
28         # 将标题写入文件
29         for item in items:
30             f = open(‘lqshi.txt‘,‘w‘) # 文件名最好是英文，中文识别不了
31             f.write(‘标题‘ + ‘\t\t‘ + item)
32             f.close()
33         return items
34     # 获取正文
35     def getContent(self,pageNum):
36         html = self.getPage(pageNum)
37         reg = re.compile(r‘class="d_post_content j_d_post_content ">          (.*?)</div><br>‘)
38         req = re.findall(reg,html)
39         # 将标题写入文件
40         for i in req:
41             removeAddr = re.compile(‘<a.*?</a>‘)
42             i = re.sub(removeAddr,"",i)# 找到并替换
43             i = i.replace("<br>","\n  ")
44             f = open(‘lqshi.txt‘,‘a‘)# 此处是写入正文内容，所以用a
45             f.write( ‘\n\n\n‘ + i)
46             f.close()
47         return i
48
49 daseURL = ‘http://tieba.baidu.com/p/4792877734‘
50 lqShi = LQS(daseURL,1)
51 print "爬虫已启动..."
52 for i in range(4):
53     lqShi.getTitle(i)
54     lqShi.getContent(i)
55     print "正在抓取第%s页的内容" % (i+1)