爬取百度贴吧帖子

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

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,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/3138733512,参数部分是 ?see_lz=1&pn=1

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。

提取相关信息

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('<h1 class="core_title_txt.*?>(.*?)</h1>',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  

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

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('<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(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

__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(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):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz='+str(seeLZ)
        self.tool = Tool()
    \#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)
            return response.read().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 = self.getPage(1)
        pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',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
    \#获取帖子一共有多少页
    def getPageNum(self):
        page = self.getPage(1)
        pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',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
    \#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 self.tool.replace(items[1])
baseURL = 'http://tieba.baidu.com/p/3138733512'
bdtb = BDTB(baseURL,1)
bdtb.getContent(bdtb.getPage(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!

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 self.tool.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

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。

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(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('<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 = "\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

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!

下一节:大家好,本次为大家带来的项目是计算大学本学期绩点。首先说明的是,博主来自山东大学,有属于个人的学生成绩管理系统,需要学号密码才可以登录,不过可能广大读者没有这个学号密码,不能实际进行操作,所以最主要的还是获取它的原理。最主要的是了解cookie的相关操作。