[转载]基于Python的爬虫代码

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

基于python的百度贴吧爬虫代码

本帖隐藏的内容

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()

复制代码

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])

复制代码

只是转载，正确不敢保证，Python高手速来！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏5 回帖

关键词：python replace COMPILE counter import 百度贴吧 python import 超链接

转载学习是一方面。

另一方面多发些自己的原创的东西。哪怕简单的尝试。O(∩_∩)O

初学者学习来了

居然没中奖？哈哈

居然没中？

faruto 发表于 2015-2-6 23:04
转载学习是一方面。

另一方面多发些自己的原创的东西。哪怕简单的尝试。O(∩_∩)O

知道了 洋哥

zhukeming 发表于 2015-2-6 23:07
居然没中？

[转载]基于Python的爬虫代码

fantuanxiaot 发表于 2015-2-6 23:51
知道了 洋哥