本文實例講述了基于Python實現的百度貼吧網絡爬蟲。分享給大家供大家參考。具體如下：

完整實例代碼點擊此處本站下載。

項目內容：

用Python寫的百度貼吧的網絡爬蟲。

使用方法：

新建一個BugBaidu.py文件，然后將代碼復制到里面后，雙擊運行。

程序功能：

將貼吧中樓主發布的內容打包txt存儲到本地。

原理解釋：

首先，先瀏覽一下某一條貼吧，點擊只看樓主并點擊第二頁之后url發生了一點變化，變成了：
?see_lz=1&pn=1

可以看出來，see_lz=1是只看樓主，pn=1是對應的頁碼，記住這一點為以后的編寫做準備。
這就是我們需要利用的url。
接下來就是查看頁面源碼。
首先把題目摳出來存儲文件的時候會用到。
可以看到百度使用gbk編碼，標題使用h1標記：

復制代碼 代碼如下:

<h1 src="http://www.49028c.com/uploads/allimg/150421/1101396064_1.png?2015317164926" />

生成的txt文件：

# -*- coding: utf-8 -*- #--------------------------------------- # 程序：百度貼吧爬蟲 # 版本：0.5 # 作者：why # 日期：2013-05-16 # 語言：Python 2.7 # 操作：輸入網址后自動只看樓主并保存到本地文件 # 功能：將樓主發布的內容打包txt存儲到本地。 #--------------------------------------- import string import urllib2 import re #----------- 處理頁面上的各種標簽 ----------- class HTML_Tool:# 用非 貪婪模式 匹配 /t 或者 /n 或者 空格 或者 超鏈接 或者 圖片BgnCharToNoneRex = re.compile("(/t|/n| |<a.*?>|<img.*?>)")# 用非 貪婪模式 匹配 任意<>標簽EndCharToNoneRex = re.compile("<.*?>")# 用非 貪婪模式 匹配 任意<p>標簽BgnPartRex = re.compile("<p.*?>")CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")CharToNextTabRex = re.compile("<td>")# 將一些html的符號實體轉變為原始符號replaceTab = [("<","<"),(">",">"),("&","&"),("&","/""),(" "," ")]def Replace_Char(self,x):x = self.BgnCharToNoneRex.sub("",x)x = self.BgnPartRex.sub("/n ",x)x = self.CharToNewLineRex.sub("/n",x)x = self.CharToNextTabRex.sub("/t",x)x = self.EndCharToNoneRex.sub("",x)for t in self.replaceTab:x = x.replace(t[0],t[1])return x class Baidu_Spider:# 申明相關的屬性def __init__(self,url):self.myUrl = url + '?see_lz=1'self.datas = []self.myTool = HTML_Tool()print u'已經啟動百度貼吧爬蟲，咔嚓咔嚓'# 初始化加載頁面并將其轉碼儲存def baidu_tieba(self):# 讀取頁面的原始信息并將其從gbk轉碼myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")# 計算樓主發布內容一共有多少頁endPage = self.page_counter(myPage)# 獲取該帖的標題title = self.find_title(myPage)print u'文章名稱：' + title# 獲取最終的數據self.save_data(self.myUrl,title,endPage)#用來計算一共有多少頁def page_counter(self,myPage):# 匹配 "共有<span>12</span>頁" 來獲取一共有多少頁myMatch = re.search(r'class="red">(/d+?)</span>', myPage, re.S)if myMatch:endPage = int(myMatch.group(1))print u'爬蟲報告：發現樓主共有%d頁的原創內容' % endPageelse:endPage = 0print u'爬蟲報告：無法計算樓主發布內容有多少頁！'return endPage# 用來尋找該帖的標題def find_title(self,myPage):# 匹配 <h1 >xxxxxxxxxx</h1> 找出標題myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)title = u'暫無標題'if myMatch:title = myMatch.group(1)else:print u'爬蟲報告：無法加載文章標題！'# 文件名不能包含以下字符： / / ： * ? " < > |title = title.replace('//','').replace('http://www.49028c.com/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')return title# 用來存儲樓主發布的內容def save_data(self,url,title,endPage):# 加載頁面數據到數組中self.get_data(url,endPage)# 打開本地文件f = open(title+'.txt','w+')f.writelines(self.datas)f.close()print u'爬蟲報告：文件已下載到本地并打包成txt文件'print u'請按任意鍵退出...'raw_input();# 獲取頁面源碼并將其存儲到數組中def get_data(self,url,endPage):url = url + '&pn='for i in range(1,endPage+1):print u'爬蟲報告：爬蟲%d號正在加載中...' % imyPage = urllib2.urlopen(url + str(i)).read()# 將myPage中的html代碼處理并存儲到datas里面self.deal_data(myPage.decode('gbk'))# 將內容從頁面代碼中摳出來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("/n","").encode('gbk'))self.datas.append(data+'/n')#-------- 程序入口處 ------------------ print u"""#--------------------------------------- # 程序：百度貼吧爬蟲 # 版本：0.5 # 作者：why # 日期：2013-05-16 # 語言：Python 2.7 # 操作：輸入網址后自動只看樓主并保存到本地文件 # 功能：將樓主發布的內容打包txt存儲到本地。 #--------------------------------------- """ # 以某小說貼吧為例子 # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1' print u'請輸入貼吧的地址最后的數字串：' bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/')) #調用 mySpider = Baidu_Spider(bdurl) mySpider.baidu_tieba()

希望本文所述對大家的Python程序設計有所幫助。