技術| Python的從零開始系列連載（三十一）
摘要：
大家好，上次我們實驗了爬取了糗事百科的段子，那麼這次我們來嘗試一下爬取百度貼吧的帖子。與上一篇不同的是，這次我們需要用到檔案的相關操作。
本篇目標
1.對百度貼吧的任意帖子進行抓取
2.指定是否只抓取樓主發帖內容
3.將抓取到的內容分析並儲存到檔案
1.URL格式的確定
...
大家好，上次我們實驗了爬取了糗事百科的段子，那麼這次我們來嘗試一下爬取百度貼吧的帖子。與上一篇不同的是，這次我們需要用到檔案的相關操作。
本篇目標
1.對百度貼吧的任意帖子進行抓取
2.指定是否只抓取樓主發帖內容
3.將抓取到的內容分析並儲存到檔案
1.URL格式的確定
首先，我們先觀察一下百度貼吧的任意一個帖子。
比如：http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1，這是一個關於NBA50大的盤點，分析一下這個地址。
http:// 代表資源傳輸使用http協議
tieba.baidu.com 是百度的二級域名，指向百度貼吧的伺服器。
/p/3138733512 是伺服器某個資源，即這個帖子的地址定位符
see_lz和pn是該URL的兩個引數，分別代表了只看樓主和帖子頁碼，等於1表示該條件為真
所以我們可以把URL分為兩部分，一部分為基礎部分，一部分為引數部分。
例如，上面的URL我們劃分基礎部分是 http://tieba.baidu.com/p/3138733512，引數部分是 ?see_lz=1&pn=1
2.頁面的抓取
熟悉了URL的格式，那就讓我們用urllib2庫來試著抓取頁面內容吧。上一篇糗事百科我們最後改成了面向物件的編碼方式，這次我們直接嘗試一下，定義一個類名叫BDTB(百度貼吧)，一個初始化方法，一個獲取頁面的方法。
其中，有些帖子我們想指定給程式是否要只看樓主，所以我們把只看樓主的引數初始化放在類的初始化上，即init方法。另外，獲取頁面的方法我們需要知道一個引數就是帖子頁碼，所以這個引數的指定我們放在該方法中。
綜上，我們初步構建出基礎程式碼如下：
__author__ = 'CQC' # -*- coding:utf-8 -*- import urllib import urllib2 import re #百度貼吧爬蟲類 class BDTB: #初始化，傳入基地址，是否只看樓主的引數 def __init__(self,baseUrl,seeLZ): self.baseURL = baseUrl self.seeLZ = '?see_lz='+str(seeLZ) #傳入頁碼，獲取該頁帖子的程式碼 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"連線百度貼吧失敗,錯誤原因",e.reason return None baseURL = 'http://tieba.baidu.com/p/3138733512' bdtb = BDTB(baseURL,1) bdtb.getPage(1)
執行程式碼，我們可以看到螢幕上打印出了這個帖子第一頁樓主發言的所有內容，形式為HTML程式碼。
3.提取相關資訊
1）提取帖子標題
首先，讓我們提取帖子的標題。
在瀏覽器中審查元素，或者按F12，檢視頁面原始碼，我們找到標題所在的程式碼段，可以發現這個標題的HTML程式碼是
<h1 class="core_title_txt" title="純原創我心中的NBA2014-2015賽季現役50大" style="width: 396px">純原創我心中的NBA2014-2015賽季現役50大</h1>
所以我們想提取<h1>標籤中的內容，同時還要指定這個class確定唯一，因為h1標籤實在太多啦。
正則表示式如下
<h1 class="core_title_txt.*?>(.*?)</h1>
所以，我們增加一個獲取頁面標題的方法
#獲取帖子標題
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)#測試輸出
return result.group(1).strip()
else:
return None
2）提取帖子頁數
同樣地，帖子總頁數我們也可以通過分析頁面中的共?頁來獲取。所以我們的獲取總頁數的方法如下
#獲取帖子一共有多少頁
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)#測試輸出
return result.group(1).strip()
else:
return None
3）提取正文內容
審查元素，我們可以看到百度貼吧每一層樓的主要內容都在<div id=”post_content_xxxx”></div>標籤裡面，所以我們可以寫如下的正則表示式
<div id="post_content_.*?>(.*?)</div>
相應地，獲取頁面所有樓層資料的方法可以寫成如下方法
#獲取每一層樓的內容,傳入頁面內容
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，我們執行一下結果看一下
真是醉了，還有一大片換行符和圖片符，好口怕！既然這樣，我們就要對這些文字進行處理，把各種各樣複雜的標籤給它剔除掉，還原精華內容，把文字處理寫成一個方法也可以，不過為了實現更好的程式碼架構和程式碼重用，我們可以考慮把標籤等的處理寫作一個類。
那我們就叫它Tool（工具類吧），裡面定義了一個方法，叫replace，是替換各種標籤的。在類中定義了幾個正則表示式，主要利用了re.sub方法對文字進行匹配後然後替換。具體的思路已經寫到註釋中，大家可以看一下這個類
import re
#處理頁面標籤類
class Tool:
#去除img標籤,7位長空格
removeImg = re.compile('<img.*?>| {7}|')
#刪除超連結標籤
removeAddr = re.compile('<a.*?>|</a>')
#把換行的標籤換為\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
#將表格製表<td>替換為\t
replaceTD= re.compile('<td>')
#把段落開頭換為\n加空兩格
replacePara = re.compile('<p.*?>')
#將換行符或雙換行符替換為\n
replaceBR = re.compile('<br><br>|<br>')
#將其餘標籤剔除
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()將前後多餘內容刪除
return x.strip()
在使用時，我們只需要初始化一下這個類，然後呼叫replace方法即可。
現在整體程式碼是如下這樣子的，現在我的程式碼是寫到這樣子的
__author__ = 'CQC'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
#處理頁面標籤類
class Tool:
#去除img標籤,7位長空格
removeImg = re.compile('<img.*?>| {7}|')
#刪除超連結標籤
removeAddr = re.compile('<a.*?>|</a>')
#把換行的標籤換為\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
#將表格製表<td>替換為\t
replaceTD= re.compile('<td>')
#把段落開頭換為\n加空兩格
replacePara = re.compile('<p.*?>')
#將換行符或雙換行符替換為\n
replaceBR = re.compile('<br><br>|<br>')
#將其餘標籤剔除
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()將前後多餘內容刪除
return x.strip()
#百度貼吧爬蟲類
class BDTB:
#初始化，傳入基地址，是否只看樓主的引數
def __init__(self,baseUrl,seeLZ):
self.baseURL = baseUrl
self.seeLZ = '?see_lz='+str(seeLZ)
self.tool = Tool()
#傳入頁碼，獲取該頁帖子的程式碼
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"連線百度貼吧失敗,錯誤原因",e.reason
return None
#獲取帖子標題
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)#測試輸出
return result.group(1).strip()
else:
return None
#獲取帖子一共有多少頁
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)#測試輸出
return result.group(1).strip()
else:
return None
#獲取每一層樓的內容,傳入頁面內容
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))
我們嘗試一下，重新再看一下效果，這下經過處理之後應該就沒問題了，是不是感覺好酸爽！
4）替換樓層
至於這個問題，我感覺直接提取樓層沒什麼必要呀，因為只看樓主的話，有些樓層的編號是間隔的，所以我們得到的樓層序號是不連續的，這樣我們儲存下來也沒什麼用。
所以可以嘗試下面的方法：
1.每列印輸出一段樓層，寫入一行橫線來間隔，或者換行符也好。
2.試著重新編一個樓層，按照順序，設定一個變數，每打印出一個結果變數加一，打印出這個變數當做樓層。
這裡我們嘗試一下吧，看看效果怎樣
把getContent方法修改如下
#獲取每一層樓的內容,傳入頁面內容
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"樓------------------------------------------------------------------------------------------------------------------------------------\n"
print self.tool.replace(item)
floor += 1
執行一下看看效果
嘿嘿，效果還不錯吧，感覺真酸爽！接下來我們完善一下，然後寫入檔案
4.寫入檔案
最後便是寫入檔案的過程，過程很簡單，就幾句話的程式碼而已，主要是利用了以下兩句
file = open(“tb.txt”,”w”)
file.writelines(obj)
這裡不再贅述，稍後直接貼上完善之後的程式碼。
5.完善程式碼
現在我們對程式碼進行優化，重構，在一些地方新增必要的列印資訊，整理如下
__author__ = 'CQC'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
#處理頁面標籤類
class Tool:
#去除img標籤,7位長空格
removeImg = re.compile('<img.*?>| {7}|')
#刪除超連結標籤
removeAddr = re.compile('<a.*?>|</a>')
#把換行的標籤換為\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
#將表格製表<td>替換為\t
replaceTD= re.compile('<td>')
#把段落開頭換為\n加空兩格
replacePara = re.compile('<p.*?>')
#將換行符或雙換行符替換為\n
replaceBR = re.compile('<br><br>|<br>')
#將其餘標籤剔除
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()將前後多餘內容刪除
return x.strip()
#百度貼吧爬蟲類
class BDTB:
#初始化，傳入基地址，是否只看樓主的引數
def __init__(self,baseUrl,seeLZ,floorTag):
#base連結地址
self.baseURL = baseUrl
#是否只看樓主
self.seeLZ = '?see_lz='+str(seeLZ)
#HTML標籤剔除工具類物件
self.tool = Tool()
#全域性file變數，檔案寫入操作物件
self.file = None
#樓層標號，初始為1
self.floor = 1
#預設的標題，如果沒有成功獲取到標題的話則會用這個標題
self.defaultTitle = u"百度貼吧"
#是否寫入樓分隔符的標記
self.floorTag = floorTag
#傳入頁碼，獲取該頁帖子的程式碼
def getPage(self,pageNum):
try:
#構建URL
url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
request = urllib2.Request(url)
response = urllib2.urlopen(request)
#返回UTF-8格式編碼內容
return response.read().decode('utf-8')
#無法連線，報錯
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"連線百度貼吧失敗,錯誤原因",e.reason
return None
#獲取帖子標題
def getTitle(self,page):
#得到標題的正則表示式
pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
result = re.search(pattern,page)
if result:
#如果存在，則返回標題
return result.group(1).strip()
else:
return None
#獲取帖子一共有多少頁
def getPageNum(self,page):
#獲取帖子頁數的正則表示式
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
#獲取每一層樓的內容,傳入頁面內容
def getContent(self,page):
#匹配所有樓層的內容
pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
items = re.findall(pattern,page)
contents = []
for item in items:
#將文字進行去除標籤處理，同時在前後加入換行符
content = "\n"+self.tool.replace(item)+"\n"
contents.append(content.encode('utf-8'))
return contents
def setFileTitle(self,title):
#如果標題不是為None，即成功獲取到標題
if title is not None:
self.file = open(title + ".txt","w+")
else:
self.file = open(self.defaultTitle + ".txt","w+")
def writeData(self,contents):
#向檔案寫入每一樓的資訊
for item in contents:
if self.floorTag == '1':
#樓之間的分隔符
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，請重試"
return
try:
print "該帖子共有" + str(pageNum) + "頁"
for i in range(1,int(pageNum)+1):
print "正在寫入第" + str(i) + "頁資料"
page = self.getPage(i)
contents = self.getContent(page)
self.writeData(contents)
#出現寫入異常
except IOError,e:
print "寫入異常，原因" + e.message
finally:
print "寫入任務完成"
print u"請輸入帖子代號"
baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))
seeLZ = raw_input("是否只獲取樓主發言，是輸入1，否輸入0\n")
floorTag = raw_input("是否寫入樓層資訊，是輸入1，否輸入0\n")
bdtb = BDTB(baseURL,seeLZ,floorTag)
bdtb.start()
現在程式演示如下
完成之後，可以檢視一下當前目錄下多了一個以該帖子命名的txt檔案，內容便是帖子的所有資料。
抓貼吧，就是這麼簡單和任性！
原文釋出時間為：2018-11-30
本文作者：燈塔大資料
本文來自雲棲社群合作伙伴“ ofollow,noindex">燈塔大資料 ”，瞭解相關資訊可以關注“DTbigdata”微信公眾號