Python爬虫案例——百度贴吧数据采集！最适合零基础的案例之一

通过python实现百度贴吧页面的内容采集是相对来说比较容易的，因为百度贴吧不需要登陆，不需要cookie，不需要设置http的MIME头

本案例使用python实现百度贴吧数据采集，获取百度贴吧的文章内容，楼层

百度贴吧网址比如：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表示该条件为真进群：548377875 即可获取数十套PDF以及大量的学习教程，代码最好不要复制粘贴，自己照着敲一遍也好呢！

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

爬虫过程比较简单，基本还是围绕：请求、正则解析、打印存储

注意：python3.4以后中，将urllib2、urlparse、robotparser并入了urllib模块，并且修改了urllib模块，其中包含了5个子模块，每个子模块中的常用方法如下：

 python3中的库 包含了子类（python2中）
urllib.error: ContentTooShortError;URLError;HTTPError
urllib.parse： urlparse;_splitparams;urlsplit;urlunparse;urlunsplit;urljoin;urldefrag;unquote_to_bytes;unquote;parse_qs;parse_qsl;unquote_plus;quote;quote_plus;quote_from_bytes;urlencode;to_bytes;unwrap;splittype;splithost;splituser;splitpasswd;splitport等；
urllib.request: urlopen; install_opener; urlretrieve; urlcleanup; request_host; build_opener; _parse_proxy; parse_keqv_list; parse_http_list; _safe_gethostbyname; ftperrors; noheaders; getproxies_environment; proxy_bypass_environment; _proxy_bypass_macosx_sysconf; Request
urllib.response: addbase; addclosehook; addinfo;addinfourl;
urllib.robotparser: RobotFileParser

python2.7下

# -*- 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('<img.*?>| {7}|')
 #删除超链接标签
 removeAddr = re.compile('<a.*?>|</a>')
 #把换行的标签换为

 replaceLine = re.compile('<tr>|<div>|</div>|</p>')
 #将表格制表<td>替换为	
 replaceTD= re.compile('<td>')
 #把段落开头换为
加空两格
 replacePara = re.compile('<p.*?>')
 #将换行符或双换行符替换为

 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,"
",x)
 x = re.sub(self.replaceTD,"	",x)
 x = re.sub(self.replacePara,"
 ",x)
 x = re.sub(self.replaceBR,"
",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,floorTag):
 #base链接地址
 self.baseURL = baseUrl
 #是否只看楼主
 self.seeLZ = '?see_lz='+str(seeLZ)
 #HTML标签剔除工具类对象
 self.tool = Tool()
 #全局file变量，文件写入操作对象
 self.file = None
 #楼层标号，初始为1
 self.floor = 1
 #默认的标题，如果没有成功获取到标题的话则会用这个标题
 self.defaultTitle = u"百度贴吧"
 #是否写入楼分隔符的标记
 self.floorTag = floorTag
 #传入页码，获取该页帖子的代码
 def getPage(self,pageNum):
 try:
 #构建URL
 url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
 request = urllib2.Request(url)
 response = urllib2.urlopen(request)
 #返回UTF-8格式编码内容
 return response.read().decode('utf-8')
 #无法连接，报错
 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):
 #得到标题的正则表达式
 pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
 result = re.search(pattern,page)
 if result:
 #如果存在，则返回标题
 return result.group(1).strip()
 else:
 return None
 #获取帖子一共有多少页
 def getPageNum(self,page):
 #获取帖子页数的正则表达式
 pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
 result = re.search(pattern,page)
 if result:
 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):
 #匹配所有楼层的内容
 pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
 items = re.findall(pattern,page)
 contents = []
 for item in items:
 #将文本进行去除标签处理，同时在前后加入换行符
 content = "
"+self.tool.replace(item)+"
"
 contents.append(content.encode('utf-8'))
 return contents
 def setFileTitle(self,title):
 #如果标题不是为None，即成功获取到标题
 if title is not None:
 self.file = open(title + ".txt","w+")
 else:
 self.file = open(self.defaultTitle + ".txt","w+")
 def writeData(self,contents):
 #向文件写入每一楼的信息
 for item in contents:
 if self.floorTag == '1':
 #楼之间的分隔符
 floorLine = "
" + str(self.floor) + u"-----------------------------------------------------------------------------------------
"
 self.file.write(floorLine)
 self.file.write(item)
 self.floor += 1
 print(item)
 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，请重试"
 return
 try:
 print "该帖子共有" + str(pageNum) + "页"
 for i in range(1,int(pageNum)+1):
 print "正在写入第" + str(i) + "页数据"
 page = self.getPage(i)
 contents = self.getContent(page)
 self.writeData(contents)
 #出现写入异常
 except IOError,e:
 print "写入异常，原因" + e.message
 finally:
 print "写入任务完成"
print u"请输入帖子代号"
baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))
seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0
")
floorTag = raw_input("是否写入楼层信息，是输入1，否输入0
")
bdtb = BDTB(baseURL,seeLZ,floorTag)
bdtb.start()

python3.6下

# -*- coding:utf-8 -*-
import urllib.error
import urllib.parse
import urllib.request
import re
#处理页面标签类
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

 replaceLine = re.compile('<tr>|<div>|</div>|</p>')
 #将表格制表<td>替换为	
 replaceTD= re.compile('<td>')
 #把段落开头换为
加空两格
 replacePara = re.compile('<p.*?>')
 #将换行符或双换行符替换为

 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,"
",x)
 x = re.sub(self.replaceTD,"	",x)
 x = re.sub(self.replacePara,"
 ",x)
 x = re.sub(self.replaceBR,"
",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,floorTag):
 #base链接地址
 self.baseURL = baseUrl
 #是否只看楼主
 self.seeLZ = '?see_lz='+str(seeLZ)
 #HTML标签剔除工具类对象
 self.tool = Tool()
 #全局file变量，文件写入操作对象
 self.file = None
 #楼层标号，初始为1
 self.floor = 1
 #默认的标题，如果没有成功获取到标题的话则会用这个标题
 self.defaultTitle = u"百度贴吧"
 #是否写入楼分隔符的标记
 self.floorTag = floorTag
 #传入页码，获取该页帖子的代码
 def getPage(self,pageNum):
 try:
 #构建URL
 url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
 request = urllib.request.Request(url)
 response = urllib.request.urlopen(request)
 #返回UTF-8格式编码内容
 return response.read().decode('utf-8')
 #无法连接，报错
 except urllib.error.URLError as 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):
 #得到标题的正则表达式
 pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
 result = re.search(pattern,page)
 if result:
 #如果存在，则返回标题
 return result.group(1).strip()
 else:
 return None
 #获取帖子一共有多少页
 def getPageNum(self,page):
 #获取帖子页数的正则表达式
 pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
 result = re.search(pattern,page)
 if result:
 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):
 #匹配所有楼层的内容
 pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
 items = re.findall(pattern,page)
 contents = []
 for item in items:
 #将文本进行去除标签处理，同时在前后加入换行符
 content = "
"+self.tool.replace(item)+"
"
 contents.append(content.encode('utf-8'))
 return contents
 def setFileTitle(self,title):
 #如果标题不是为None，即成功获取到标题
 if title is not None:
 self.file = open(title + ".txt","w+")
 else:
 self.file = open(self.defaultTitle + ".txt","w+")
 def writeData(self,contents):
 #向文件写入每一楼的信息
 for item in contents:
 if self.floorTag == '1':
 #楼之间的分隔符
 floorLine = "
" + str(self.floor) + u"-----------------------------------------------------------------------------------------
"
 self.file.write(floorLine)
 self.file.write(str(item,'utf-8'))
 self.floor += 1
 print(str(item,'utf-8'))
 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，请重试")
 return
 try:
 print("该帖子共有" + str(pageNum) + "页")
 for i in range(1,int(pageNum)+1):
 print("正在写入第" + str(i) + "页数据")
 page = self.getPage(i)
 contents = self.getContent(page)
 self.writeData(contents)
 #出现写入异常
 except IOError as e:
 print("写入异常，原因" + e.message)
 finally:
 print("写入任务完成")
print("请输入帖子代号")
baseURL = 'http://tieba.baidu.com/p/' + str(input(u'http://tieba.baidu.com/p/'))
seeLZ = input("是否只获取楼主发言，是输入1，否输入0
")
floorTag = input("是否写入楼层信息，是输入1，否输入0
")
bdtb = BDTB(baseURL,seeLZ,floorTag)
bdtb.start()