[转载]基于Python的爬虫代码-经管之家官网！

坛友互助群

扫码加入各岗位、行业、专业交流群

基于python的百度贴吧爬虫代码

1. # -*- coding: utf-8 -*-
   
2. #---------------------------------------
   
3. # 程序：百度贴吧爬虫
   
4. # 版本：0.5
   
5. # 作者：why
   
6. # 日期：2013-05-16
   
7. # 语言：Python 2.7
   
8. # 操作：输入网址后自动只看楼主并保存到本地文件
   
9. # 功能：将楼主发布的内容打包txt存储到本地。
   
10. #---------------------------------------
    
11. 
    
12. import string
    
13. import urllib2
    
14. import re
    
15. 
    
16. #----------- 处理页面上的各种标签 -----------
    
17. class HTML_Tool:
    
18. # 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
    
19. BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")
    
20. 
    
21. # 用非 贪婪模式 匹配 任意<>标签
    
22. EndCharToNoneRex = re.compile("<.*?>")
    
23. 
    
24. # 用非 贪婪模式 匹配 任意<p>标签
    
25. BgnPartRex = re.compile("<p.*?>")
    
26. CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
    
27. CharToNextTabRex = re.compile("<td>")
    
28. 
    
29. # 将一些html的符号实体转变为原始符号
    
30. replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]
    
31. 
    
32. def Replace_Char(self,x):
    
33. x = self.BgnCharToNoneRex.sub("",x)
    
34. x = self.BgnPartRex.sub("\n ",x)
    
35. x = self.CharToNewLineRex.sub("\n",x)
    
36. x = self.CharToNextTabRex.sub("\t",x)
    
37. x = self.EndCharToNoneRex.sub("",x)
    
38. 
    
39. for t in self.replaceTab:
    
40. x = x.replace(t[0],t[1])
    
41. return x
    
42. 
    
43. class Baidu_Spider:
    
44. # 申明相关的属性
    
45. def __init__(self,url):
    
46. self.myUrl = url + '?see_lz=1'
    
47. self.datas = []
    
48. self.myTool = HTML_Tool()
    
49. print u'已经启动百度贴吧爬虫，咔嚓咔嚓'
    
50. 
    
51. # 初始化加载页面并将其转码储存
    
52. def baidu_tieba(self):
    
53. # 读取页面的原始信息并将其从gbk转码
    
54. myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")
    
55. # 计算楼主发布内容一共有多少页
    
56. endPage = self.page_counter(myPage)
    
57. # 获取该帖的标题
    
58. title = self.find_title(myPage)
    
59. print u'文章名称：' + title
    
60. # 获取最终的数据
    
61. self.save_data(self.myUrl,title,endPage)
    
62. 
    
63. #用来计算一共有多少页
    
64. def page_counter(self,myPage):
    
65. # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页
    
66. myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)
    
67. if myMatch:
    
68. endPage = int(myMatch.group(1))
    
69. print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage
    
70. else:
    
71. endPage = 0
    
72. print u'爬虫报告：无法计算楼主发布内容有多少页！'
    
73. return endPage
    
74. 
    
75. # 用来寻找该帖的标题
    
76. def find_title(self,myPage):
    
77. # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题
    
78. myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)
    
79. title = u'暂无标题'
    
80. if myMatch:
    
81. title= myMatch.group(1)
    
82. else:
    
83. print u'爬虫报告：无法加载文章标题！'
    
84. # 文件名不能包含以下字符： \ / ： * ? " < > |
    
85. title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')
    
86. return title
    
87. 
    
88. 
    
89. # 用来存储楼主发布的内容
    
90. def save_data(self,url,title,endPage):
    
91. # 加载页面数据到数组中
    
92. self.get_data(url,endPage)
    
93. # 打开本地文件
    
94. f = open(title+'.txt','w+')
    
95. f.writelines(self.datas)
    
96. f.close()
    
97. print u'爬虫报告：文件已下载到本地并打包成txt文件'
    
98. print u'请按任意键退出...'
    
99. 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()

一个自动下载MP3的代码

1. import urllib,time
   
2. import xml.etree.ElementTree as elementtree
   
3. url='http://box.zhangmen.baidu.com/x?op=12&count=1&title=songname&rs=counts'
   
4. songn=raw_input('请输入歌曲名称').decode('utf8')
   
5. songname=urllib.quote(songn.encode('gb2312'))
   
6. songurl=url.replace('songname',songname).replace('counts','1')
   
7. print songurl
   
8. fi=urllib.urlretrieve(songurl)[0]
   
9. time.sleep(0.5)
   
10. print fi
    
11. tree=elementtree.ElementTree(file=fi)
    
12. path=tree.getiterator('encode')[0].text
    
13. name=tree.getiterator('decode')[0].text
    
14. print path,name
    
15. path='/'.join(path.split('/')[:-1])
    
16. song=path+'/'+name
    
17. print song
    
18. print 'loading...'
    
19. print type(songn),type(song)
    
20. urllib.urlretrieve(song,songn+'.'+name.split('.')[-1])

扫码或添加微信号：坛友素质互助

「经管之家」APP：经管人学习、答疑、交友，就上经管之家！
免流量费下载资料----在经管之家app可以下载论坛上的所有资源，并且不额外收取下载高峰期的论坛币。
涵盖所有经管领域的优秀内容----覆盖经济、管理、金融投资、计量统计、数据分析、国贸、财会等专业的学习宝库，各类资料应有尽有。
来自五湖四海的经管达人----已经有上千万的经管人来到这里，你可以找到任何学科方向、有共同话题的朋友。
经管之家（原人大经济论坛），跨越高校的围墙，带你走进经管知识的新世界。
扫描下方二维码下载并注册APP