python抓取百度度贴吧

Posted by Lazy on October 23, 2016

##我们打开一个百度贴吧的帖子然后查看源码 http://tieba.baidu.com/p/3138733512?see_lz=1

Paste_Image.png

首先我们先拿到帖子的标题,通过查看源码,我们发现,他的标题的html为:

<h3 class="core_title_txt pull-left text-overflow  " title="纯原创我心中的NBA2014-2015赛季现役50" style="width: 396px">纯原创我心中的NBA2014-2015赛季现役50</h3>

我们需要中间的标题怎么搞呢? 肯定用正则,为了快速我们这样写:


# -*- coding: UTF-8 -*- 
import urllib
import urllib2
import re


class BDTB:
    def __init__(self, baseUrl, seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz=' + str(seeLZ)

    def getPage(self, pageNum):
        try:
            url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read()
        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

    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('<h3 class="core_title_txt pull-left text-overflow.*?>(.*?)</h3>', re.S)
        result = re.search(pattern, page)
        if result:
            print result.group(1)


baseURL = 'http://tieba.baidu.com/p/3138733512'
bdtb = BDTB(baseURL, 1)
bdtb.getTitle()


这样我们就拿到了帖子的标题

Paste_Image.png

然后我们提取帖子每个楼层的内容如何去做呢? 看源码分析呗

<div id="post_content_53018668923" class="d_post_content j_d_post_content ">            很多媒体都在每赛季之前给球员排个名,我也有这个癖好…………,我会尽量理性的分析球队地位,个人能力等因素,评出我心目中的下赛季50大现役球员,这个50大是指预估他本赛季在篮球场上对球队的影响力……不是过去的荣誉什么的,所以难免有一定的主观性……如果把你喜欢的球星排低了,欢迎理性讨论!![](http://upload-images.jianshu.io/upload_images/1205414-58b2b7b444eed998.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)<br><br><br><br>状元维金斯镇楼<br>P.S 1 我每天都至少更新一个,不TJ。<br>      2 今年的新秀我就不考虑了,没上赛季参照</div>

我们发现,他在一个div里面 id=”post_content_53018668923” class=”d_post_content j_d_post_content “,看到这我们就知道了,该怎么搞了,上代码,我们在上面的代码中增加一个获取帖子内容的方法

 def getPostData(self):
        page = self.getPage(1)
        pattern = re.compile('<div id="post_content_.*? class="d_post_content j_d_post_content ">(.*?)</div>', re.S)
        result = re.findall(pattern, page)
        for item in result:
            print item


Paste_Image.png

这样就拿到了第一页的每个楼层的数据了,我们看到有很多换行啊,什么的数据,我需要替换下

我找了一个处理的工具类

# -*- 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()


由于在同一个目录下我们直接导入

from Tool import *

这样导入我们就可以在别的模块的使用啦

Paste_Image.png

完整的代码


```java
# -*- coding: UTF-8 -*- 
import urllib
import urllib2
import re
from Tool import *


class BdTb:
    def __init__(self, baseUrl, seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz=' + str(seeLZ)
        self.tool = Tool()

    def getPage(self, pageNum):
        try:
            url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read()
        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

    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('<h3 class="core_title_txt pull-left text-overflow.*?>(.*?)</h3>', re.S)
        result = re.search(pattern, page)
        if result:
            print result.group(1)

    def getPostData(self):
        page = self.getPage(1)
        pattern = re.compile('<div id="post_content_.*? class="d_post_content j_d_post_content ">(.*?)</div>', re.S)
        result = re.findall(pattern, page)
        for item in result:
            print   self.tool.replace(item)


baseURL = 'http://tieba.baidu.com/p/3138733512'
BdTb = BdTb(baseURL, 1)
BdTb.getPostData()



```