python 爬蟲第二例--百度貼吧

python 第二例，爬取百度貼吧的帖子，獲取帖子的標題，內容，所在樓層，發佈時間

其中存在一個問題，當該帖子是手機端發佈的帖子，此時在頁面中會有標識，因此多一個span標簽，與樓層和發佈時間的標簽一樣

解決方法： 目潛想到的解決方法是通過判斷爬到的值來進行選擇，但解決方案效率肯定低，因此未使用，等知識體系豐富後再進行改進

附爬取的代碼：

# -*- coding: utf-8 -*-
import urllib2
import urllib
import re

class Tool:
    # 去除Img標簽
    removeImg = re.compile(r'<img.*?>| {0,100}|')
    # 刪除超鏈接標簽
    removeAddr = re.compile(r'<a.*?>|</a>')
    # 把換行標簽轉換為\n
    replaceLine= re.compile(r'<tr>|<div>|</div>|</p>')
    # 把表格製表轉換為\t
    replaceTD = re.compile(r'<td>')
    # 把段落開頭轉換為\n加兩個空格
    replacePara = re.compile('<br><br>|<br>|<br><br><br>')
    # 將其餘標簽去除
    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.removeExtraTag, "", x)
        # 使用strip() 方法將前後多餘內容刪除
        return x.strip()
class BDTB:
    #初始化變數，傳入基類地址，傳入是否只看樓主參數
    def __init__(self, baseUrl, onlyLz, floorTag):
        # 基地址
        self.baseUrl = baseUrl
        # 是否只看樓主
        self.onlyLz = '?see_lz=' + str(onlyLz)
        # 實例化替換去除標簽類
        self.tool = Tool()
        # 全局file變數，文件寫入操作對象
        self.file = None
        # 預設標簽，若沒有獲得標題，使用此標題
        self.defaultTitle = u"百度貼吧帖子"
        # 是否寫入樓層信息
        self.floorTag = floorTag
    # 傳入頁碼，獲取該帖子的代碼
    def getPage(self, pageNum):
        try:
            url = self.baseUrl + self.onlyLz + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read().decode('utf-8')
        except urllib2.URLError,e:
            if hasattr(e, 'code'):
                print u"連接百度貼吧失敗,錯誤編碼:" + e.code
                return None
            if hasattr(e, 'reason'):
                print u"連接百度貼吧失敗，錯誤原因:" + e.reason
                return None

    # 獲取帖子的標題
    def getTitle(self, page):
        pattren = re.compile(r'<h3 class="core_title_txt pull-left text-overflow  ".*?>(.*?)</h3>',re.S)
        items = re.search(pattren, page)
        if items:
            # print items.group(1).strip()
            return items.group(1).strip()
        else:
            return None

    # 提取帖子頁數
    def getPageNum(self, page):
        pattren = re.compile(r'<ul class="l_posts_num">.*?<span class="red">(.*?)</span>',re.S)
        items = re.search(pattren, page)
        if items:
            # print items.group(1)
            return items.group(1).strip()
        else:
            return None
    # 提取正文內容
    def getContent(self, page):
        pattren = re.compile(r'<div id="post_content_.*?>(.*?)</div>.*?<div class="core_reply_tail clearfix">.*?<span class="tail-info">(.*?)</span>.*?<span class="tail-info">(.*?)</span>',re.S)
        items = re.findall(pattren, page)
        contents = []
        for item in items:
            content = []
            title = "\n" + self.tool.replace(item[0]) + "\n"
            floor = item[1]
            writeTime = item[2]
            content.append(title.encode("utf-8"))
            content.append(floor.encode("utf-8"))
            content.append(writeTime.encode("utf-8"))
            contents.append(content)
        return contents
    # 設置文件名字
    def setFileTIltle(self, title):
        if title is not None:
            self.file = open(title + ".txt", "w+")
        else:
            self.file = open(self.defaultTitle + ".txt", "w+")
    # 將內容寫入文件
    def writeData(self, contents):
        for item in contents:
            if self.floorTag == '1':
                floorLineTime = "\n" + item[1] +"-----------------------------\n"+item[2]
                self.file.write(floorLineTime)
            self.file.write(item[0])
            # floorLine = "\n" + item['']
            # print "------------------%s--------------------%s-----------------"%(item[1],item[2])
            # print self.tool.replace(item[0])
        # print self.tool.replace(items[1])
        # print items[1]
    def start(self):
        indexPage = self.getPage(1)
        pageNum = self.getPageNum(indexPage)
        title = self.getTitle(indexPage)
        self.setFileTIltle(title)
        if pageNum == None:
            print "URL已經失效"
        try:
            print "該帖子一共有"+str(pageNum)+"頁"
            for i in range(1, int(pageNum)+1):
                print "正在寫入第" + str(i) + "頁數據"
                page = self.getPage(i)
                contents = self.getContent(page)
                self.writeData(contents)
        except IOError,e:
            print "寫入異常，原因:"+e.message
        finally:
            print "寫入完成"

print u"請輸入帖子代號"
baseUrl = 'http://tieba.baidu.com/p/' + str(raw_input(u"http://tieba.baidu.com/p/"))
seeLZ = raw_input("是否只獲取樓主的帖子是輸入1，否輸入0\n")
floorTag = raw_input("是否寫入樓層與時間信息是輸入1，否輸入0\n")
bdtb = BDTB(baseUrl, seeLZ, floorTag)
bdtb.start()