大家好，上次我们实验了爬取了糗事百科的段子，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：[http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1](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 ~~~ 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](http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1)，参数部分是 [?see_lz=1&pn=1](http://tieba.baidu.com/p/3138733512?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):         self.baseURL = baseUrl         self.seeLZ = '?see_lz='+str(seeLZ)     #传入页码，获取该页帖子的代码     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"连接百度贴吧失败,错误原因",e.reason                 return None baseURL = 'http://tieba.baidu.com/p/3138733512' bdtb = BDTB(baseURL,1) bdtb.getPage(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。 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150219162232.jpg) ## 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 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 ~~~ h1 class="core_title_txt.*?>(.*?)/h1> ~~~ 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 = self.getPage(1)     pattern = re.compile('(.*?)',re.S)     result = re.search(pattern,page)     if result:         #print result.group(1)  #测试输出         return result.group(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 = self.getPage(1)     pattern = re.compile('.*?(.*?)',re.S)     result = re.search(pattern,page)     if result:         #print result.group(1)  #测试输出         return result.group(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标签里面，所以我们可以写如下的正则表达式 ~~~ div id="post_content_.*?>(.*?)/div> ~~~ 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('(.*?)',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 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150219235120.jpg) 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('| {7}|')     #删除超链接标签     removeAddr = re.compile('|')     #把换行的标签换为\n     replaceLine = re.compile('|||')     #将表格制表替换为\t     replaceTD= re.compile('')     #把段落开头换为\n加空两格     replacePara = re.compile('')     #将换行符或双换行符替换为\n     replaceBR = re.compile('|')     #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() ~~~ 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 ~~~ import re #处理页面标签类 class Tool:     #去除img标签,7位长空格     removeImg = re.compile('| {7}|')     #删除超链接标签     removeAddr = re.compile('|')     #把换行的标签换为\n     replaceLine = re.compile('|||')     #将表格制表替换为\t     replaceTD= re.compile('')     #把段落开头换为\n加空两格     replacePara = re.compile('')     #将换行符或双换行符替换为\n     replaceBR = re.compile('|')     #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() ~~~ 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！ [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150220000103.jpg) ### 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('(.*?)',re.S)     items = re.findall(pattern,page)     floor = 1     for item in items:         print floor,u"楼------------------------------------------------------------------------------------------------------------------------------------\n"         print self.tool.replace(item)         floor += 1 ~~~ 运行一下看看效果 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150220000947.jpg) 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(“tb.txt”,”w”) > > file.writelines(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('| {7}|')     #删除超链接标签     removeAddr = re.compile('|')     #把换行的标签换为\n     replaceLine = re.compile('|||')     #将表格制表替换为\t     replaceTD= re.compile('')     #把段落开头换为\n加空两格     replacePara = re.compile('')     #将换行符或双换行符替换为\n     replaceBR = re.compile('|')     #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('(.*?)',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('.*?(.*?)',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('(.*?)',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"+self.tool.replace(item)+"\n"             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 = "\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，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\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) bdtb.start() ~~~ 现在程序[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！