【python】抄写大神的百度贴吧代码

原文链接：http://cuiqingcai.com/993.html

划重点：

　　1.提取帖子内容时，对图片，贴吧自动增加的超链接，制表符，换行符要做删除或替换处理

　　2.decode是把bytes转换为str, encode是把str转换为bytes 原帖中的代码第100行多了一个encode,导致出错

　　3.代码中用到了文件相关操作

　　4.原文中获取标题的正则表达式我觉得不太对，做了修改。原文只是提取了<h1></h1>直接的，但实际上有在<h3></h3>直接的

最终代码如下，在python3.4.3中实现

import urllib.request
import urllib.parse
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)
return x.strip()

#百度贴吧爬虫类
class BDTB:
#初始化，传入基地址，是否只看楼主的参数
def __init__(self, baseUrl, seeLZ,floorTag):
self.baseURL = baseUrl
self.seeLZ = '?see_lz='+str(seeLZ)
self.tool = Tool()
self.file = None
self.floor = 1
self.defaultTitle = u"百度贴吧"
self.floorTag = floorTag
#传入页码，获取该页帖子的代码
def getPage(self, pageNum):
try:
url = self.baseURL+self.seeLZ+'&pn='+str(pageNum)
request = urllib.request.Request(url)
response = urllib.request.urlopen(request)
return response.read().decode('utf-8','ignore') #注意转换成字符串
except urllib.error.URLError as e:
if hasattr(e, "reason"):
print(u"连接百度贴吧失败，错误原因：", e.reason)
return None
#获取帖子标题
def getTitle(self):
pageCode = self.getPage(1)
pattern = re.compile('''<h\d class="core_title_txt.*?title="(.*?)" style="width:.*?</h\d>''', re.S)
result = re.search(pattern, pageCode)
if result:
title = result.group(1).strip() #这里注意，获取分组的方法
return title
else:
return None

#提取帖子页数
def getPageNum(self):
pageCode = self.getPage(1)
pattern = re.compile('''<span class=.*?</span>.*?回复贴，共.*?<span class=.*?>(.*?)</span>''', re.S)
result = re.search(pattern, pageCode)
if result:
pageNum = result.group(1).strip()
return pageNum
else:
return None

#获取每一层楼的内容，传入页面内容
def getContent(self, page):
pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
items = re.findall(pattern, page)
contents = []
for item in items:
content = "\n"+self.tool.replace(item)+"\n"
contents.append(content)
return contents

def setFileTitle(self, title):
if title is not None:
self.file = open(title+".txt","w+")
else:
self.file = open(self.defaultTitle+".txt","w+")

def writeData(self, contents):
#向文件写入每一楼的信息
for item in contents:
if self.floorTag == '1':
#楼之间的分隔符
floorLine = "\n" + str(self.floor) + "楼-------------------------------------"
self.file.write(floorLine)
self.file.write(item)
self.floor+=1

def start(self):
pageNum = self.getPageNum()
title = self.getTitle()
self.setFileTitle(title)
if pageNum == None:
print(u"URL已失效，请重试")
return
try:
print("该帖子共有" + str(pageNum) + "页")
for i in range(1, int(pageNum) + 1):
print("正在写入第"+str(i)+"页数据")
page = self.getPage(i)
contents = self.getContent(page)
self.writeData(contents)
#出现写入异常
except IOError as e:
print("写入异常，原因"+e.message)
finally:
print("写入任务完成")

print(u"请输入帖子代号")
baseURL = 'http://tieba.baidu.com/p/' + str(input(u'http://tieba.baidu.com/p/'))
seeLZ = input("是否只看楼主发言，是输入1，否输入0\n")
floorTag = input("是否写入楼层信息，是输入1，否输入0\n")
bdtb = BDTB(baseURL, seeLZ, floorTag)
bdtb.start()