700字范文,内容丰富有趣,生活中的好帮手!
700字范文 > python百度贴吧怎么爬取最早的帖子_Python爬虫爬取百度贴吧的帖子

python百度贴吧怎么爬取最早的帖子_Python爬虫爬取百度贴吧的帖子

时间:2021-12-13 12:18:03

相关推荐

python百度贴吧怎么爬取最早的帖子_Python爬虫爬取百度贴吧的帖子

同样是参考网上教程,编写爬取贴吧帖子的内容,同时把爬取的帖子保存到本地文档:

#!/usr/bin/python

#_*_coding:utf-8_*_

import urllib

import urllib2

import re

import sys

reload(sys)

sys.setdefaultencoding("utf-8")

#处理页面标签,去除图片、超链接、换行符等

class Tool:

#去除img标签,7位长空格

removeImg = pile('| {7}|')

#删除超链接标签

removeAddr = pile('|')

#把换行的标签替换为\n

replaceLine = pile('

|||')

#把表格制表

替换为\t

replaceTD = pile('

')

#把段落开头换为\n加两个空格

replacePara = pile('

')

#把换行符或双换行符替换为\n

replaceBR = pile('

|

')

#将其余标签剔除

removeET = pile('<.>')

#去除匹配到Tool

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.removeET,"",x)

#strip()将前后多余内容删除

return x.strip().encode('utf-8')

#百度贴吧爬虫练习

class BDTB:

#初始化,传入地址,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 = '?seelz=' + str(seeLz)

#HTML剔除标签工具Tool

self.tool = Tool()

#全局file变量,文件写入操作对象

self.file = None

#楼层标识,初始化为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:

url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)

tbPage = response.read().decode('utf-8')

#print tbPage

return tbPage

#链接报错的原因

except urllib2.URLError, e:

if hasattr(e,"reason"):

print u'链接百度贴吧失败,错误原因:',e.reason

return None

#获取帖子标题

def getTitle(self,page):

page = self.getPage(1)

#正则匹配贴吧标题

pattern = pile('

.*?(.*?)',re.S)

result = re.search(pattern,page)

if result:

#输出页码数

#print result.group(1)

return result.group(1).strip()

else:

print None

#获取帖子每一个楼层的内容

def getContent(self,page):

#正则匹配每一个楼层的内容

pattern = pile('

contents.append(content.encode('utf-8'))

#print floor,u"楼-----------------------"

#print content

#floor += 1

return contents

#设置文件的标题

def setFileTitle(self,title):

#如果标题不是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+")

#向文件写入每一楼层的信息

def writeData(self,contents):

#遍历楼层

for item in contents:

if self.floorTag == '1':

#楼之间使用的分隔符

floorLine = "\n--------------" + str(self.floor) + "楼-----------------\n"

self.file.write(unicode(floorLine,"utf-8"))

self.file.write(unicode(item,"utf-8"))

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)

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 = '/p/' + str(raw_input(u'/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()

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。