python 爬虫基础（1）

001	# -*- coding: utf-8 -*-

002	#---------------------------------------

003	#   程序：百度贴吧爬虫

004	#   版本：0.5

005	#   作者：why

006	#   日期：2013-05-16

007	#   语言：Python 2.7

008	#   操作：输入网址后自动只看楼主并保存到本地文件

009	#   功能：将楼主发布的内容打包txt存储到本地。

010	#---------------------------------------

011

012	import string

013	import urllib2

014

import re

015

016	#----------- 处理页面上的各种标签 -----------

017	class HTML_Tool:

018	# 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片

019	BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")

020

021	# 用非 贪婪模式 匹配 任意<>标签

022	EndCharToNoneRex = re.compile("<.*?>")

023

024	# 用非 贪婪模式 匹配 任意<p>标签

025	BgnPartRex = re.compile("<p.*?>")

026	CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")

027	CharToNextTabRex = re.compile("<td>")

028

029	# 将一些html的符号实体转变为原始符号

030	replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]

031

032	def Replace_Char(self,x):

033	x = self.BgnCharToNoneRex.sub("",x)

034	x = self.BgnPartRex.sub("\n    ",x)

035	x = self.CharToNewLineRex.sub("\n",x)

036	x = self.CharToNextTabRex.sub("\t",x)

037	x = self.EndCharToNoneRex.sub("",x)

038

039	for t in self.replaceTab:

040	x = x.replace(t[0],t[1])

041

return x

042

043	class Baidu_Spider:

044

# 申明相关的属性

045	def __init__(self,url):

046	self.myUrl = url + '?see_lz=1'

047	self.datas = []

048	self.myTool = HTML_Tool()

049	print u'已经启动百度贴吧爬虫，咔嚓咔嚓'

050

051	# 初始化加载页面并将其转码储存

052	def baidu_tieba(self):

053	# 读取页面的原始信息并将其从gbk转码

054	myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")

055	# 计算楼主发布内容一共有多少页

056	endPage = self.page_counter(myPage)

057

# 获取该帖的标题

058	title = self.find_title(myPage)

059	print u'文章名称：' + title

060

# 获取最终的数据

061	self.save_data(self.myUrl,title,endPage)

062

063	#用来计算一共有多少页

064	def page_counter(self,myPage):

065	# 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页

066	myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)

067	if myMatch:

068	endPage = int(myMatch.group(1))

069	print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage

070

else:

071	endPage = 0

072	print u'爬虫报告：无法计算楼主发布内容有多少页！'

073	return endPage

074

075	# 用来寻找该帖的标题

076	def find_title(self,myPage):

077	# 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题

078	myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)

079	title = u'暂无标题'

080	if myMatch:

081	title  = myMatch.group(1)

082

else:

083	print u'爬虫报告：无法加载文章标题！'

084	# 文件名不能包含以下字符： \ / ： * ? " < > |

085	title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')

086	return title

087

088

089	# 用来存储楼主发布的内容

090	def save_data(self,url,title,endPage):

091	# 加载页面数据到数组中

092	self.get_data(url,endPage)

093

# 打开本地文件

094	f = open(title+'.txt','w+')

095	f.writelines(self.datas)

096

f.close()

097	print u'爬虫报告：文件已下载到本地并打包成txt文件'

098	print u'请按任意键退出...'

099	raw_input();

100

101	# 获取页面源码并将其存储到数组中

102	def get_data(self,url,endPage):

103	url = url + '&pn='

104	for i in range(1,endPage+1):

105	print u'爬虫报告：爬虫%d号正在加载中...' % i

106	myPage = urllib2.urlopen(url + str(i)).read()

107	# 将myPage中的html代码处理并存储到datas里面

108	self.deal_data(myPage.decode('gbk'))

109

110

111	# 将内容从页面代码中抠出来

112	def deal_data(self,myPage):

113	myItems = re.findall('id="post_content.*?>(.*?)</div>',myPage,re.S)

114	for item in myItems:

115	data = self.myTool.Replace_Char(item.replace("\n","").encode('gbk'))

116	self.datas.append(data+'\n')

117

118

119

120	#-------- 程序入口处 ------------------

121	print u"""#---------------------------------------

122	#   程序：百度贴吧爬虫

123	#   版本：0.5

124	#   作者：why

125	#   日期：2013-05-16

126	#   语言：Python 2.7

127	#   操作：输入网址后自动只看楼主并保存到本地文件

128	#   功能：将楼主发布的内容打包txt存储到本地。

129	#---------------------------------------

130

"""

131

132	# 以某小说贴吧为例子

133	# bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'

134

135	print u'请输入贴吧的地址最后的数字串：'

136	bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))

137

138

#调用

139	mySpider = Baidu_Spider(bdurl)

140	mySpider.baidu_tieba()