[Python]网络爬虫（九）：百度贴吧的网络爬虫（v0.4）源码及解析

<h1 class="core_title_txt" title="【原创】时尚首席（关于时尚，名利，事业，爱情，励志）">【原创】时尚首席（关于时尚，名利，事业，爱情，励志）</h1>

# -*- coding: utf-8 -*- 
#--------------------------------------- 
# 程序：百度贴吧爬虫 
# 版本：0.5 
# 作者：why 
# 日期：2013-05-16 
# 语言：Python 2.7 
# 操作：输入网址后自动只看楼主并保存到本地文件 
# 功能：将楼主发布的内容打包txt存储到本地。 
#--------------------------------------- 
 
import string 
import urllib2 
import re 
 
#----------- 处理页面上的各种标签 ----------- 
class HTML_Tool: 
 # 用非 贪婪模式 匹配 	 或者 
 或者 空格 或者 超链接 或者 图片 
 BgnCharToNoneRex = re.compile("(	|
| |<a.*?>|<img.*?>)") 
 
 # 用非 贪婪模式 匹配 任意<>标签 
 EndCharToNoneRex = re.compile("<.*?>") 
 
 # 用非 贪婪模式 匹配 任意<p>标签 
 BgnPartRex = re.compile("<p.*?>") 
 CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)") 
 CharToNextTabRex = re.compile("<td>") 
 
 # 将一些html的符号实体转变为原始符号 
 replaceTab = [("<","<"),(">",">"),("&","&"),("&","""),(" "," ")] 
 
 def Replace_Char(self,x): 
 x = self.BgnCharToNoneRex.sub("",x) 
 x = self.BgnPartRex.sub("
 ",x) 
 x = self.CharToNewLineRex.sub("
",x) 
 x = self.CharToNextTabRex.sub("	",x) 
 x = self.EndCharToNoneRex.sub("",x) 
 
 for t in self.replaceTab: 
 x = x.replace(t[0],t[1]) 
 return x 
 
class Baidu_Spider: 
 # 申明相关的属性 
 def __init__(self,url): 
 self.myUrl = url + '?see_lz=1' 
 self.datas = [] 
 self.myTool = HTML_Tool() 
 print u'已经启动百度贴吧爬虫，咔嚓咔嚓' 
 
 # 初始化加载页面并将其转码储存 
 def baidu_tieba(self): 
 # 读取页面的原始信息并将其从gbk转码 
 myPage = urllib2.urlopen(self.myUrl).read().decode("gbk") 
 # 计算楼主发布内容一共有多少页 
 endPage = self.page_counter(myPage) 
 # 获取该帖的标题 
 title = self.find_title(myPage) 
 print u'文章名称：' + title 
 # 获取最终的数据 
 self.save_data(self.myUrl,title,endPage) 
 
 #用来计算一共有多少页 
 def page_counter(self,myPage): 
 # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页 
 myMatch = re.search(r'class="red">(d+?)</span>', myPage, re.S) 
 if myMatch: 
 endPage = int(myMatch.group(1)) 
 print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage 
 else: 
 endPage = 0 
 print u'爬虫报告：无法计算楼主发布内容有多少页！' 
 return endPage 
 
 # 用来寻找该帖的标题 
 def find_title(self,myPage): 
 # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题 
 myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S) 
 title = u'暂无标题' 
 if myMatch: 
 title = myMatch.group(1) 
 else: 
 print u'爬虫报告：无法加载文章标题！' 
 # 文件名不能包含以下字符： / ： * ? " < > | 
 title = title.replace('\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','') 
 return title 
 
 
 # 用来存储楼主发布的内容 
 def save_data(self,url,title,endPage): 
 # 加载页面数据到数组中 
 self.get_data(url,endPage) 
 # 打开本地文件 
 f = open(title+'.txt','w+') 
 f.writelines(self.datas) 
 f.close() 
 print u'爬虫报告：文件已下载到本地并打包成txt文件' 
 print u'请按任意键退出...' 
 raw_input(); 
 
 # 获取页面源码并将其存储到数组中 
 def get_data(self,url,endPage): 
 url = url + '&pn=' 
 for i in range(1,endPage+1): 
 print u'爬虫报告：爬虫%d号正在加载中...' % i 
 myPage = urllib2.urlopen(url + str(i)).read() 
 # 将myPage中的html代码处理并存储到datas里面 
 self.deal_data(myPage.decode('gbk')) 
 
 
 # 将内容从页面代码中抠出来 
 def deal_data(self,myPage): 
 myItems = re.findall('id="post_content.*?>(.*?)</div>',myPage,re.S) 
 for item in myItems: 
 data = self.myTool.Replace_Char(item.replace("
","").encode('gbk')) 
 self.datas.append(data+'
') 
 
 
 
#-------- 程序入口处 ------------------ 
print u"""#--------------------------------------- 
# 程序：百度贴吧爬虫 
# 版本：0.5 
# 作者：why 
# 日期：2013-05-16 
# 语言：Python 2.7 
# 操作：输入网址后自动只看楼主并保存到本地文件 
# 功能：将楼主发布的内容打包txt存储到本地。 
#--------------------------------------- 
""" 
 
# 以某小说贴吧为例子 
# bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1' 
 
print u'请输入贴吧的地址最后的数字串：' 
bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/')) 
 
#调用 
mySpider = Baidu_Spider(bdurl) 
mySpider.baidu_tieba()