bdtb 百度贴吧网页版?

大家好，上次我们实验了爬取了糗事百科的段子（发送数字：856查看文章），那么这次我们来尝试一下爬取百度贴吧的帖子。与上一篇不同的是，这次我们需要用到文件的相关操作。

本篇目标

1对百度贴吧的任意帖子进行抓取

2.指定是否只抓取楼主发帖内容

3.将抓取到的内容分析并保存到文件

1.URL格式的确定

首先，我们先观察一下百度贴吧的任意一个帖子。

比如：;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

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

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:///p/3138733512，参数部分是 ?see_lz=1&pn=1

2.页面的抓取

熟悉了URL的格式，那就让我们用urllib2库来试着抓取页面内容吧。上一篇糗事百科我们最后改成了面向对象的编码方式，这次我们直接尝试一下，定义一个类名叫BDTB(百度贴吧)，一个初始化方法，一个获取页面的方法。

其中，有些帖子我们想指定给程序是否要只看楼主，所以我们把只看楼主的参数初始化放在类的初始化上，即init方法。另外，获取页面的方法我们需要知道一个参数就是帖子页码，所以这个参数的指定我们放在该方法中。

综上，我们初步构建出基础代码如下：

__author__ = 'CQC'

# -*- coding:utf-8 -*-

import urllib

import urllib2

import re

#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):

= baseUrl

= '?see_lz='+str(seeLZ)

#传入页码，获取该页帖子的代码

def getPage(self,pageNum):

try:

url = + + '&pn=' + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)

print re()

return response

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

baseURL = 'http:///p/3138733512'

bdtb = BDTB(baseURL,1)

bd(1)

运行代码，我们可以看到屏幕上打印出了这个帖子第一页楼主发言的所有内容，形式为HTML代码。

3.提取相关信息

1）提取帖子标题

首先，让我们提取帖子的标题。

在浏览器中审查元素，或者按F12，查看页面源代码，我们找到标题所在的代码段，可以发现这个标题的HTML代码是

<h1 class="core_title_txt " title="纯原创我心中的NBA2014-2015赛季现役50大" style="width: 396px">纯原创我心中的NBA2014-2015赛季现役50大</h1>

所以我们想提取<h1>标签中的内容，同时还要指定这个class确定唯一，因为h1标签实在太多啦。

正则表达式如下

所以，我们增加一个获取页面标题的方法

#获取帖子标题

def getTitle(self):

page = (1)

pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)

result = re.search(pattern,page)

if result:

#print re(1) #测试输出

return re(1).strip()

else:

return None

2）提取帖子页数

同样地，帖子总页数我们也可以通过分析页面中的共?页来获取。所以我们的获取总页数的方法如下

#获取帖子一共有多少页

def getPageNum(self):

page = (1)

pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)

result = re.search(pattern,page)

if result:

#print re(1) #测试输出

return re(1).strip()

else:

return None

3）提取正文内容

审查元素，我们可以看到百度贴吧每一层楼的主要内容都在<div id=”post_content_xxxx”></div>标签里面，所以我们可以写如下的正则表达式

相应地，获取页面所有楼层数据的方法可以写成如下方法

#获取每一层楼的内容,传入页面内容

def getContent(self,page):

pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

items = re.findall(pattern,page)

for item in items:

print item

好，我们运行一下结果看一下

真是醉了，还有一大片换行符和图片符，好口怕！既然这样，我们就要对这些文本进行处理，把各种各样复杂的标签给它剔除掉，还原精华内容，把文本处理写成一个方法也可以，不过为了实现更好的代码架构和代码重用，我们可以考虑把标签等的处理写作一个类。

那我们就叫它Tool（工具类吧），里面定义了一个方法，叫replace，是替换各种标签的。在类中定义了几个正则表达式，主要利用了re.sub方法对文本进行匹配后然后替换。具体的思路已经写到注释中，大家可以看一下这个类

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\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;",x)

x = re.sub;\n",x)

x = re.sub;\t",x)

x = re.sub;\n ",x)

x = re.sub;\n",x)

x = re.sub;",x)

#strip()将前后多余内容删除

return x.strip()

在使用时，我们只需要初始化一下这个类，然后调用replace方法即可。

现在整体代码是如下这样子的，现在我的代码是写到这样子的

__author__ = 'CQC'

# -*- 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\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;",x)

x = re.sub;\n",x)

x = re.sub;\t",x)

x = re.sub;\n ",x)

x = re.sub;\n",x)

x = re.sub;",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):

= baseUrl

= '?see_lz='+str(seeLZ)

= Tool()

#传入页码，获取该页帖子的代码

def getPage(self,pageNum):

try:

url = + + '&pn=' + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)

return re().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 getTitle(self):

page = (1)

pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)

result = re.search(pattern,page)

if result:

#print re(1) #测试输出

return re(1).strip()

else:

return None

#获取帖子一共有多少页

def getPageNum(self):

page = (1)

pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)

result = re.search(pattern,page)

if result:

#print re(1) #测试输出

return re(1).strip()

else:

return None

#获取每一层楼的内容,传入页面内容

def getContent(self,page):

pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

items = re.findall(pattern,page)

#for item in items:

# print item

print .replace(items[1])

baseURL = 'http:///p/3138733512'

bdtb = BDTB(baseURL,1)

bd(bd(1))

我们尝试一下，重新再看一下效果，这下经过处理之后应该就没问题了，是不是感觉好酸爽！

4）替换楼层

至于这个问题，我感觉直接提取楼层没什么必要呀，因为只看楼主的话，有些楼层的编号是间隔的，所以我们得到的楼层序号是不连续的，这样我们保存下来也没什么用。

所以可以尝试下面的方法：

1.每打印输出一段楼层，写入一行横线来间隔，或者换行符也好。

2.试着重新编一个楼层，按照顺序，设置一个变量，每打印出一个结果变量加一，打印出这个变量当做楼层。

这里我们尝试一下吧，看看效果怎样

把getContent方法修改如下

#获取每一层楼的内容,传入页面内容

def getContent(self,page):

pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

items = re.findall(pattern,page)

floor = 1

for item in items:

print floor,u"楼------------------------------------------------------------------------------------------------------------------------------------\n"

print .replace(item)

floor += 1

运行一下看看效果

嘿嘿，效果还不错吧，感觉真酸爽！接下来我们完善一下，然后写入文件

4.写入文件

最后便是写入文件的过程，过程很简单，就几句话的代码而已，主要是利用了以下两句

file = open(“”,”w”)

(obj)

这里不再赘述，稍后直接贴上完善之后的代码。

5.完善代码

现在我们对代码进行优化，重构，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

#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\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;",x)

x = re.sub;\n",x)

x = re.sub;\t",x)

x = re.sub;\n ",x)

x = re.sub;\n",x)

x = re.sub;",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

= baseUrl

#是否只看楼主

= '?see_lz='+str(seeLZ)

#HTML标签剔除工具类对象

= Tool()

#全局file变量，文件写入操作对象

= None

#楼层标号，初始为1

= 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

= u"百度贴吧"

#是否写入楼分隔符的标记

Tag = floorTag

#传入页码，获取该页帖子的代码

def getPage(self,pageNum):

try:

#构建URL

url = + + '&pn=' + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)

#返回UTF-8格式编码内容

return re().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 re(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 re(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 = "\n"+.replace(item)+"\n"

con('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:

= open(title + ".txt","w+")

else:

= open( + ".txt","w+")

def writeData(self,contents):

#向文件写入每一楼的信息

for item in contents:

if Tag == '1':

#楼之间的分隔符

floorLine = "\n" + str() + u"-----------------------------------------------------------------------------------------\n"

.write(floorLine)

.write(item)

+= 1

def start(self):

indexPage = (1)

pageNum = Num(indexPage)

title = (indexPage)

(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 = (i)

contents = (page)

(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:///p/' + str(raw_input(u'http:///p/'))

seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0\n")

floorTag = raw_input("是否写入楼层信息，是输入1，否输入0\n")

bdtb = BDTB(baseURL,seeLZ,floorTag)

bd()

现在程序演示如下

完成之后，可以查看一下当前目录下多了一个以该帖子命名的txt文件，内容便是帖子的所有数据。

抓贴吧，就是这么简单和任性！

【微信公众号：爆料福州】每日发送：福州本地的头条新闻、小道消息、江湖传闻、自己身边的大事小情，猛点关注，快乐随行！

请加微信号： baoliaofuzhou

长按复制↑↑↑↑↑↑

bdtb 百度贴吧网页版?

【绯红女巫吧百度贴吧】复联成员个性标志，你能认出几个？

推荐一波主角变成动物的耽美萌宠文

程潇的胸,胸围85是多大罩杯?

(李璇r9微博)李璇r9哪里人

〔大胃王红姐〕大胃王为什么越吃越瘦

第八届世界杯大赛优秀作品展Ⅰ邀您足不出户，看“云画展”

吴宣仪综艺——王琳凯吴宣仪综艺…

〔韩剧t〕韩剧tv怎么不能看了?