Python爬⾍爬取贴吧的帖⼦内容
最近在看⼀个⼤神的博客，从他那⾥学会了很多关于python爬⾍的知识，其实python如果想⽤在实际应⽤中，你需要了解许多，⽐如正则表达式、引⼊库、过滤字段等等，下⾯不多说，我下⾯的程序是爬取Ubuntu吧的⼀个帖⼦，要是问我为什么选择Ubuntu吧，没为什么，win、mac、linux我都⽤，但毫⽆疑问，我最喜欢的系统就是ubuntu linux，这个系统让我学会了很多东西，从基本命令到shell编程等等，这个系统让我深⼊了解了操作系统，也让我对操作系统的概念有了进⼀步的学习和了解，ok，下⾯就是我的代码，作为参考：
#coding=utf-8
# __author__ = 'Abel'
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 = repile('<img.*?>| {7}|')
#删除超链接标签
removeAddr = repile('<a.*?>|</a>')
#把换⾏的标签换为\n
replaceLine = repile('<tr>|<div>|</div>|</p>')
#将表格制表<td>替换为\t
replaceTD= repile('<td>')
#把段落开头换为\n加空两格
replacePara = repile('<p.*?>')
#将换⾏符或双换⾏符替换为\n
replaceBR = repile('<br><br>|<br>')
#将其余标签剔除
removeExtraTag = repile('<.*?>')
def replace(self,x):
x = re.veImg,"",x)
x = re.veAddr,"",x)
x = re.placeLine,"\n",x)
x = re.placeTD,"\t",x)
x = re.placePara,"\n    ",x)
x = re.placeBR,"\n",x)
x = re.veExtraTag,"",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
#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
ad().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 = repile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
result = re.search(pattern,page)
if result:
#如果存在，则返回标题
up(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 = repile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
result = re.search(pattern,page)
if result:
up(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 = repile('<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"+place(item)+"\n"
contents.de('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 = Page(1)
pageNum = PageNum(indexPage)
title = Title(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 = Page(i)
python 正则表达式 空格contents = Content(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 = 'tieba.baidu/p/3560761301' + str(raw_input(u'tieba.baidu/p/3560761301')) 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()
程序运⾏结果：
然后打开⼯程⽂件⾥⽣成的⽂件，爬取的内容如下:
是不是很神奇，反正我是感觉很神奇:-)