运维学python之爬虫基础篇实战（六）爬取百度贴吧

相对来说，贴吧还是比较好爬一些的，所以就先拿贴吧为例，来做第一个实战。

1 爬前分析

如果要爬取一个网站的内容，我们要先做一般有以下几个步骤：

对url进行分析，找到有规律的内容，定义相应的变量；

开始爬取内容，对获取的内容进行查看；

通过查看，设定正则规则，过滤无用内容；

保存我们需要的内容到文件。

2 url分析

因为上大学时候就很迷恋盗墓笔记，一直关注着，所以这次就爬盗墓笔记吧的内容吧,。

2.1 url分段

盗墓笔记吧的一个帖子网址如下：https://tieba.baidu.com/p/4366865181?see_lz=1&pn=1
https:// # 使用的传输协议
tieba.baidu.com # 是百度的二级域名，指向百度贴吧的服务器。
/p/4366865181 # 服务器的路径
see_lz=1和pn=1分别表示只看楼主和页数
所以，url部分我们就分位两部分，基础部分和参数部分，结合到具体例子可以指定
基础部分：https://tieba.baidu.com/p/4366865181
参数部分：see_lz=1&pn=1

2.2 抓取页面

这里就用到了前面讲的urllib模块，下面直接看代码：

# -*- coding: utf-8 -*-
# 爬取百度贴吧楼主发送的文字内容，存储在本地文件中
# 导入模块
from urllib import request

# 定义查看楼主和页数
seelz = '?see_lz=' + '1'
pn = '&pn=' + '1'
# 定义基础url
base_url = 'https://tieba.baidu.com/p/4366865181'
# 定义参数url
arg_url = seelz + pn
# 完整url
url = base_url + arg_url
# 看一下打出来的网址有没有达到预期效果
print(url)

try:
# 添加请求头，我发现贴吧不加头也能获取，不过最好还是加上
head = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
# 创建对象
req = request.Request(url, headers=head)
# 打开网址
response = request.urlopen(req)
# 打印结果
print(response.read().decode('utf-8'))
except request.URLError as e:
if hasattr(e, 'code'):
print(e.code)
elif hasattr(e, 'reason'):
print(e.reason)

输出结果如下：



可以看出成功获取了网页的内容。

2.3 正则表达式提取信息

接着就是提取对我们有用的信息了，可以分步操作，大事化小，小事化了，我们先提取标题，可以看一下网页的源代码，找到标题（浏览器为火狐）：



通过上图操作我们可以找到标题部分的代码：

<h3 class="core_title_txt pull-left text-overflow   vip_red " title="【分析】关于“十年结局”的一些猜度" style="width: 396px">【分析】关于“十年结局”的一些猜度</h3>

下面开始写pattern
pattern = re.compile('<h3 class="core_title_txt.?">(.?)</h3>')含义如下：



代码实现效果如下：

# -*- coding: utf-8 -*-
# 爬取百度贴吧楼主发送的文字内容，存储在本地文件中
# 导入模块
import re
from urllib import request

# 定义查看楼主和页数
seelz = '?see_lz=' + '1'
pn = '&pn=' + '1'
# 定义基础url
base_url = 'https://tieba.baidu.com/p/4366865181'
# 定义参数url
arg_url = seelz + pn
# 完整url
url = base_url + arg_url
# 看一下打出来的网址有没有达到预期效果
print(url)

try:
# 添加请求头，我发现贴吧不加头也能获取，不过最好还是加上
head = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
# 创建对象
req = request.Request(url, headers=head)
# 打开网址
response = request.urlopen(req).read().decode('utf-8')
# 定义过滤规则
pattern = re.compile('<h3 class="core_title.*?">(.*?)</h3>')
# 查询匹配结果
result = re.search(pattern, response)
# 判断是否存在结果，如果存在打印，如果不存在返回None
if result:
print(result.group(1).strip())
else:
print(None)
except request.URLError as e:
if hasattr(e, 'code'):
print(e.code)
elif hasattr(e, 'reason'):
print(e.reason)

执行结果如下：



好，基本满足我们的需求，那问题来了，如何获取本页所有的内容呢？我们继续，为了节省篇幅，代码只写修改的内容，其它部分和上面相同，如果参数不同，做替换即可

略
# 打开网址
response = request.urlopen(req).read().decode('utf-8')
# 定义过滤规则
pattern1 = re.compile('<h3 class="core_title.*?">(.*?)</h3>', re.S)
# 过滤楼主说过的内容
pattern2 = re.compile('<div id="post_content_.*?>(.*?)</div>', re.S)
# 查询标题匹配结果
result1 = re.search(pattern1, response)
# 查询文章内容匹配结果
items = re.findall(pattern2, response)
# 通过for循环取得结果并打印
for item in items:
print(item)
略

结果实现了我们要获取内容个的想法，but，从图中我们也发现了，有很多<a>、<img>、<br>等标签干扰，那就继续，去掉干扰

# -*- coding: utf-8 -*-
# 爬取百度贴吧楼主发送的文字内容，存储在本地文件中
# 导入模块
import re
from urllib import request

# 定义查看楼主和页数
seelz = '?see_lz=' + '1'
pn = '&pn=' + '1'
# 定义基础url
base_url = 'https://tieba.baidu.com/p/4366865181'
# 定义参数url
arg_url = seelz + pn
# 完整url
url = base_url + arg_url
# 看一下打出来的网址有没有达到预期效果
print(url)

try:
# 添加请求头，我发现贴吧不加头也能获取，不过最好还是加上
head = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
# 创建对象
req = request.Request(url, headers=head)
# 打开网址
response = request.urlopen(req).read().decode('utf-8')
# 定义过滤规则
pattern1 = re.compile('<h3 class="core_title.*?">(.*?)</h3>', re.S)
pattern2 = re.compile('<div id="post_content_.*?>(.*?)</div>', re.S)
# 查询标题匹配结果
result1 = re.search(pattern1, response)
# 查询内容匹配结果
items = re.findall(pattern2, response)
# 去除不必要的标签
# 去除img标签
removeImg = re.compile('<img.*?>')
# 去除br标签
replaceBR = re.compile('<br><br>|<br>')
# 去除a标签
removeA = re.compile('<a.*?>|</a>')
# 去除其它除了上述标签的标签
removeOtherTag = re.compile('<.*?>')
for item in items:
x = re.sub(replaceBR, '\n', item)
x = re.sub(removeA, '', x)
x = re.sub(removeImg, '', x)
x = re.sub(removeOtherTag, '', x)
print(x)

# 判断是否存在结果，如果存在打印，如果不存在返回None
if result1:
print(result1.group(1).strip())
else:
print(None)

if items:
print(items)
else:
print(None)
except request.URLError as e:
if hasattr(e, 'code'):
print(e.code)
elif hasattr(e, 'reason'):
print(e.reason)

获取结果如下：



是不是看着有些意思了，感觉可以接受了，但是还有一个问题，就是代码看起来太乱了，不方便扩展，如果爬取别的网页呢？多页怎么办，好吧，那我们就用类的方式来实现，完整代码如下：

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

import re
from urllib import request

class InitTool:
"""
定义初始化类，目的是去除获取代码内容中的各种无用标签
"""
# 去除img标签
removeimg = re.compile('<img.*?>')
# 去除br标签
replacebr = re.compile('<br><br>|<br>')
# 去除a标签
removea = re.compile('<a.*?>|</a>')
# 去除其它除了上述标签的标签
removeothertag = re.compile('<.*?>')

# 定义类的方法，去除无用的标签
def replace(self, x):
x = re.sub(self.removeimg, '', x)
x = re.sub(self.removea, '', x)
x = re.sub(self.removeothertag, '', x)
x = re.sub(self.replacebr, '\n', x)
# 删除x前后多余的空格
return x.strip()

class BdTb:
"""
定义类，获取网页标题，内容
"""

def __init__(self, baseurl, seelz):
"""
传入基础地址，是否只看楼主等信息
"""
# 基础地址
self.baseurl = baseurl
# 是否只看楼主
self.seelz = '?see_lz=' + str(seelz)
# 调用去除标签工具，去除无用标签，注意InitTool后面的括号不要丢
self.inittool = InitTool()
# 默认标题
# self.defaultTitle = '百度贴吧'

def getpage(self, pn):
"""
传入页码,获取该页帖子代码,pn为页码
"""
try:
# 构建url
url = self.baseurl + self.seelz + '&pn=' + str(pn)
# 请求头信息
head = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
# 发送请求
req = request.Request(url, headers=head)
# 打开网址获取内容
response = request.urlopen(req)
# 返回utf-8格式文本
return response.read().decode('utf-8')
except request.URLError as e:
# 如果有reason，打印报错原因
if hasattr(e, 'reason'):
print('连接失败，错误原因：', e.reason)
return None

def gettitle(self, page):
"""
获取帖子标题
"""
# 定义获取标题正则，re.S代表.可以匹配任何内容，包括'\n'换行
pattern = re.compile('<h3 class="core_title.*?">(.*?)</h3>', re.S)
result = re.search(pattern, page)
if result:
# 如果存在返回标题
return result.group(1).strip()
else:
return None

def getpagenum(self, page):
"""
获取帖子的总页数
"""
# 定义获取总共页数的正则
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

def getcontent(self, page):
"""
获取帖子内容
"""
# 定义获取帖子内容的正则
pattern = re.compile('<div id="post_content_.*?>(.*?)</div>', re.S)
# 获取所有内容
items = re.findall(pattern, page)
# 定义一个空列表，收集过滤后的内容
contents = []
for item in items:
# 每一条内容前后加入一个空格
content = "\n" + self.inittool.replace(item) + "\n"
# 添加到列表中
contents.append(content)
return contents

def start(self):
"""
定义主方法，执行之后调用其它方法，将获取的标题和内容写入本地文件test.txt中
"""
# 获取页面
indexpage = self.getpage(1)
# 获取总页数
allpn = self.getpagenum(indexpage)
# 获取标题
title = self.gettitle(indexpage)
if allpn is None:
print('URL已失效，请重试')
return
print('总页数：%s' % allpn)
# 写入标题
with open('test.txt', 'w') as f:
f.write(title)
# 通过for循环，从1到总页数+1获取页码i，分别抓取每页的内容写入文件
for i in range(1, int(allpn)+1):
page = self.getpage(i)
contents = self.getcontent(page)
for content in contents:
# 追加的方式写入文件
with open('test.txt', 'a+') as f:
f.write(str(content))

if __name__ == '__main__':
baseurl = 'https://tieba.baidu.com/p/4366865181'
seelz = 1
bdtb = BdTb(baseurl, seelz)
bdtb.start()

结果如下：



本文内容参考：崔庆才的个人博客