大家好，上次我們實驗了爬取了糗事百科的段子，那么這次我們來嘗試一下爬取百度貼吧的帖子。與上一篇不同的是，這次我們需要用到文件的相關操作。 ## 本篇目標 1.對百度貼吧的任意帖子進行抓取 2.指定是否只抓取樓主發帖內容 3.將抓取到的內容分析并保存到文件 ## 1.URL格式的確定 首先，我們先觀察一下百度貼吧的任意一個帖子。 比如：[http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1](http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1)，這是一個關于NBA50大的盤點，分析一下這個地址。 ~~~ http://??代表資源傳輸使用http協議 tieba.baidu.com 是百度的二級域名，指向百度貼吧的服務器。 /p/3138733512 是服務器某個資源，即這個帖子的地址定位符 see_lz和pn是該URL的兩個參數，分別代表了只看樓主和帖子頁碼，等于1表示該條件為真 ~~~ 所以我們可以把URL分為兩部分，一部分為基礎部分，一部分為參數部分。 例如，上面的URL我們劃分基礎部分是?[http://tieba.baidu.com/p/3138733512](http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1)，參數部分是?[?see_lz=1&pn=1](http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1) ## 2.頁面的抓取 熟悉了URL的格式，那就讓我們用urllib2庫來試著抓取頁面內容吧。上一篇糗事百科我們最后改成了[面向對象]的編碼方式，這次我們直接嘗試一下，定義一個類名叫BDTB(百度貼吧)，一個初始化方法，一個獲取頁面的方法。 其中，有些帖子我們想指定給程序是否要只看樓主，所以我們把只看樓主的參數初始化放在類的初始化上，即init方法。另外，獲取頁面的方法我們需要知道一個參數就是帖子頁碼，所以這個參數的指定我們放在該方法中。 綜上，我們初步構建出基礎代碼如下： ~~~ __author__ = 'CQC' # -*- coding:utf-8 -*- import urllib import urllib2 import re #百度貼吧爬蟲類 class BDTB: ????#初始化，傳入基地址，是否只看樓主的參數 ????def __init__(self,baseUrl,seeLZ): ????????self.baseURL = baseUrl ????????self.seeLZ = '?see_lz='+str(seeLZ) ????#傳入頁碼，獲取該頁帖子的代碼 ????def getPage(self,pageNum): ????????try: ????????????url = self.baseURL+ self.seeLZ + '&pn=' + 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"連接百度貼吧失敗,錯誤原因",e.reason ????????????????return None baseURL = 'http://tieba.baidu.com/p/3138733512' bdtb = BDTB(baseURL,1) bdtb.getPage(1) ~~~ 運行代碼，我們可以看到屏幕上打印出了這個帖子第一頁樓主發言的所有內容，形式為HTML代碼。 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150219162232.jpg) ## 3.提取相關信息 ### 1）提取帖子標題 首先，讓我們提取帖子的標題。 在瀏覽器中審查元素，或者按F12，查看頁面源代碼，我們找到標題所在的代碼段，可以發現這個標題的HTML代碼是 ~~~ h1 title="純原創我心中的NBA2014-2015賽季現役50大" style="width: 396px">純原創我心中的NBA2014-2015賽季現役50大/h1> ~~~ 所以我們想提取標簽中的內容，同時還要指定這個class確定唯一，因為h1標簽實在太多啦。 正則表達式如下 ~~~ h1 class="core_title_txt.*?>(.*?)/h1> ~~~ 所以，我們增加一個獲取頁面標題的方法 ~~~ #獲取帖子標題 def getTitle(self): ????page = self.getPage(1) ????pattern = re.compile('(.*?)',re.S) ????result = re.search(pattern,page) ????if result: ????????#print result.group(1)??#測試輸出 ????????return result.group(1).strip() ????else: ????????return None ~~~ ### 2）提取帖子頁數 同樣地，帖子總頁數我們也可以通過分析頁面中的共?頁來獲取。所以我們的獲取總頁數的方法如下 ~~~ #獲取帖子一共有多少頁 def getPageNum(self): ????page = self.getPage(1) ????pattern = re.compile('.*?(.*?)',re.S) ????result = re.search(pattern,page) ????if result: ????????#print result.group(1)??#測試輸出 ????????return result.group(1).strip() ????else: ????????return None ~~~ ### 3）提取正文內容 審查元素，我們可以看到百度貼吧每一層樓的主要內容都在標簽里面，所以我們可以寫如下的正則表達式 ~~~ div id="post_content_.*?>(.*?)/div> ~~~ 相應地，獲取頁面所有樓層數據的方法可以寫成如下方法 ~~~ #獲取每一層樓的內容,傳入頁面內容 def getContent(self,page): ????pattern = re.compile('(.*?)',re.S) ????items = re.findall(pattern,page) ????for item in items: ????????print item ~~~ 好，我們運行一下結果看一下 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150219235120.jpg) 真是醉了，還有一大片換行符和圖片符，好口怕！既然這樣，我們就要對這些文本進行處理，把各種各樣復雜的標簽給它剔除掉，還原精華內容，把文本處理寫成一個方法也可以，不過為了實現更好的代碼架構和代碼重用，我們可以考慮把標簽等的處理寫作一個類。 那我們就叫它Tool（工具類吧），里面定義了一個方法，叫replace，是替換各種標簽的。在類中定義了幾個正則表達式，主要利用了re.sub方法對文本進行匹配后然后替換。具體的思路已經寫到注釋中，大家可以看一下這個類 ~~~ import re #處理頁面標簽類 class Tool: ????#去除img標簽,7位長空格 ????removeImg = re.compile('| {7}|') ????#刪除超鏈接標簽 ????removeAddr = re.compile('|') ????#把換行的標簽換為\n ????replaceLine = re.compile('|||') ????#將表格制表替換為\t ????replaceTD= re.compile('') ????#把段落開頭換為\n加空兩格 ????replacePara = re.compile('') ????#將換行符或雙換行符替換為\n ????replaceBR = re.compile('|') ????#將其余標簽剔除 ????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()將前后多余內容刪除 ????????return x.strip() ~~~ 在使用時，我們只需要初始化一下這個類，然后調用replace方法即可。 現在整體代碼是如下這樣子的，現在我的代碼是寫到這樣子的 ~~~ import re #處理頁面標簽類 class Tool: ????#去除img標簽,7位長空格 ????removeImg = re.compile('| {7}|') ????#刪除超鏈接標簽 ????removeAddr = re.compile('|') ????#把換行的標簽換為\n ????replaceLine = re.compile('|||') ????#將表格制表替換為\t ????replaceTD= re.compile('') ????#把段落開頭換為\n加空兩格 ????replacePara = re.compile('') ????#將換行符或雙換行符替換為\n ????replaceBR = re.compile('|') ????#將其余標簽剔除 ????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()將前后多余內容刪除 ????????return x.strip() ~~~ 我們嘗試一下，重新再看一下效果，這下經過處理之后應該就沒問題了，是不是感覺好酸爽！ [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150220000103.jpg) ### 4）替換樓層 至于這個問題，我感覺直接提取樓層沒什么必要呀，因為只看樓主的話，有些樓層的編號是間隔的，所以我們得到的樓層序號是不連續的，這樣我們保存下來也沒什么用。 所以可以嘗試下面的方法： > 1.每打印輸出一段樓層，寫入一行橫線來間隔，或者換行符也好。 > > 2.試著重新編一個樓層，按照順序，設置一個變量，每打印出一個結果變量加一，打印出這個變量當做樓層。 這里我們嘗試一下吧，看看效果怎樣 把getContent方法修改如下 ~~~ #獲取每一層樓的內容,傳入頁面內容 def getContent(self,page): ????pattern = re.compile('(.*?)',re.S) ????items = re.findall(pattern,page) ????floor = 1 ????for item in items: ????????print floor,u"樓------------------------------------------------------------------------------------------------------------------------------------\n" ????????print self.tool.replace(item) ????????floor += 1 ~~~ 運行一下看看效果 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150220000947.jpg) 嘿嘿，效果還不錯吧，感覺真酸爽！接下來我們完善一下，然后寫入文件 ## 4.寫入文件 最后便是寫入文件的過程，過程很簡單，就幾句話的代碼而已，主要是利用了以下兩句 > file = open(“tb.txt”,”w”) > > file.writelines(obj) 這里不再贅述，稍后直接貼上完善之后的代碼。 ## 5.完善代碼 現在我們對代碼進行優化，重構，在一些地方添加必要的打印信息，整理如下 ~~~ __author__ = 'CQC' # -*- coding:utf-8 -*- import urllib import urllib2 import re #處理頁面標簽類 class Tool: ????#去除img標簽,7位長空格 ????removeImg = re.compile('| {7}|') ????#刪除超鏈接標簽 ????removeAddr = re.compile('|') ????#把換行的標簽換為\n ????replaceLine = re.compile('|||') ????#將表格制表替換為\t ????replaceTD= re.compile('') ????#把段落開頭換為\n加空兩格 ????replacePara = re.compile('') ????#將換行符或雙換行符替換為\n ????replaceBR = re.compile('|') ????#將其余標簽剔除 ????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()將前后多余內容刪除 ????????return x.strip() #百度貼吧爬蟲類 class BDTB: ????#初始化，傳入基地址，是否只看樓主的參數 ????def __init__(self,baseUrl,seeLZ,floorTag): ????????#base鏈接地址 ????????self.baseURL = baseUrl ????????#是否只看樓主 ????????self.seeLZ = '?see_lz='+str(seeLZ) ????????#HTML標簽剔除工具類對象 ????????self.tool = Tool() ????????#全局file變量，文件寫入操作對象 ????????self.file = None ????????#樓層標號，初始為1 ????????self.floor = 1 ????????#默認的標題，如果沒有成功獲取到標題的話則會用這個標題 ????????self.defaultTitle = u"百度貼吧" ????????#是否寫入樓分隔符的標記 ????????self.floorTag = floorTag ????#傳入頁碼，獲取該頁帖子的代碼 ????def getPage(self,pageNum): ????????try: ????????????#構建URL ????????????url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum) ????????????request = urllib2.Request(url) ????????????response = urllib2.urlopen(request) ????????????#返回UTF-8格式編碼內容 ????????????return response.read().decode('utf-8') ????????#無法連接，報錯 ????????except urllib2.URLError, e: ????????????if hasattr(e,"reason"): ????????????????print u"連接百度貼吧失敗,錯誤原因",e.reason ????????????????return None ????#獲取帖子標題 ????def getTitle(self,page): ????????#得到標題的正則表達式 ????????pattern = re.compile('(.*?)',re.S) ????????result = re.search(pattern,page) ????????if result: ????????????#如果存在，則返回標題 ????????????return result.group(1).strip() ????????else: ????????????return None ????#獲取帖子一共有多少頁 ????def getPageNum(self,page): ????????#獲取帖子頁數的正則表達式 ????????pattern = re.compile('.*?(.*?)',re.S) ????????result = re.search(pattern,page) ????????if result: ????????????return result.group(1).strip() ????????else: ????????????return None ????#獲取每一層樓的內容,傳入頁面內容 ????def getContent(self,page): ????????#匹配所有樓層的內容 ????????pattern = re.compile('(.*?)',re.S) ????????items = re.findall(pattern,page) ????????contents = [] ????????for item in items: ????????????#將文本進行去除標簽處理，同時在前后加入換行符 ????????????content = "\n"+self.tool.replace(item)+"\n" ????????????contents.append(content.encode('utf-8')) ????????return contents ????def setFileTitle(self,title): ????????#如果標題不是為None，即成功獲取到標題 ????????if title is not None: ????????????self.file = open(title + ".txt","w+") ????????else: ????????????self.file = open(self.defaultTitle + ".txt","w+") ????def writeData(self,contents): ????????#向文件寫入每一樓的信息 ????????for item in contents: ????????????if self.floorTag == '1': ????????????????#樓之間的分隔符 ????????????????floorLine = "\n" + str(self.floor) + u"-----------------------------------------------------------------------------------------\n" ????????????????self.file.write(floorLine) ????????????self.file.write(item) ????????????self.floor += 1 ????def start(self): ????????indexPage = self.getPage(1) ????????pageNum = self.getPageNum(indexPage) ????????title = self.getTitle(indexPage) ????????self.setFileTitle(title) ????????if pageNum == None: ????????????print "URL已失效，請重試" ????????????return ????????try: ????????????print "該帖子共有" + str(pageNum) + "頁" ????????????for i in range(1,int(pageNum)+1): ????????????????print "正在寫入第" + str(i) + "頁數據" ????????????????page = self.getPage(i) ????????????????contents = self.getContent(page) ????????????????self.writeData(contents) ????????#出現寫入異常 ????????except IOError,e: ????????????print "寫入異常，原因" + e.message ????????finally: ????????????print "寫入任務完成" print u"請輸入帖子代號" baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/')) seeLZ = raw_input("是否只獲取樓主發言，是輸入1，否輸入0\n") floorTag = raw_input("是否寫入樓層信息，是輸入1，否輸入0\n") bdtb = BDTB(baseURL,seeLZ,floorTag) bdtb.start() ~~~ 現在程序[演示]如下 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150220012351.jpg) 完成之后，可以查看一下當前目錄下多了一個以該帖子[命名]的txt文件，內容便是帖子的所有數據。 抓貼吧，就是這么簡單和任性！