所以我们可以把URL分为两部分，一部分为基础部分，一部分为参数部分。

例如，上面的URL我们划分基础部分是

http://tieba.baidu.com/p/3138733512

参数部分是 ?see_lz=1&pn=1

爬虫过程比较简单，基本还是围绕：请求、正则解析、打印存储

注意：python3.4以后中，将urllib2、urlparse、robotparser并入了urllib模块，并且修改了urllib模块，其中包含了5个子模块，每个子模块中的常用方法如下：

 python3中的库 包含了子类（python2中）
urllib.error: ContentTooShortError;URLError;HTTPError
urllib.parse： urlparse;_splitparams;urlsplit;urlunparse;urlunsplit;urljoin;urldefrag;unquote_to_bytes;unquote;parse_qs;parse_qsl;unquote_plus;quote;quote_plus;quote_from_bytes;urlencode;to_bytes;unwrap;splittype;splithost;splituser;splitpasswd;splitport等；
urllib.request: urlopen; install_opener; urlretrieve; urlcleanup; request_host; build_opener; _parse_proxy; parse_keqv_list; parse_http_list; _safe_gethostbyname; ftperrors; noheaders; getproxies_environment; proxy_bypass_environment; _proxy_bypass_macosx_sysconf; Request
urllib.response: addbase; addclosehook; addinfo;addinfourl;
urllib.robotparser: RobotFileParser

python2.7下

# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
#处理页面标签类
class Tool:
 #去除img标签,7位长空格
 removeImg = re.compile('| {7}|')
 #删除超链接标签
 removeAddr = re.compile('|')
 #把换行的标签换为
replaceLine = re.compile('<tr>|
|
|
')

将表格制表<td>替换为
replaceTD= re.compile('<td>')
把段落开头换为
加空两格

replacePara = re.compile('<p.*?>')
将换行符或双换行符替换为
replaceBR = re.compile('

|
')
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,"

",x)

x = re.sub(self.replaceTD,"    ",x)

x = re.sub(self.replacePara,"

",x)

x = re.sub(self.replaceBR,x)

x = re.sub(self.removeExtraTag,x)
strip()将前后多余内容删除
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):
base链接地址
self.baseURL = baseUrl
是否只看楼主
self.seeLZ = '?see_lz='+str(seeLZ)
HTML标签剔除工具类对象
self.tool = Tool()
全局file变量，文件写入操作对象
self.file = None
楼层标号，初始为1
self.floor = 1
默认的标题，如果没有成功获取到标题的话则会用这个标题
self.defaultTitle = u"百度贴吧"
是否写入楼分隔符的标记
self.floorTag = floorTag
传入页码，获取该页帖子的代码
def getPage(self,pageNum):

try:
构建URL
url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)
返回UTF-8格式编码内容
return response.read().decode('utf-8')
无法连接，报错
except urllib2.URLError,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,page):
得到标题的正则表达式
pattern = re.compile('<h1 class="core_title_txt.?>(.?)',re.S)

result = re.search(pattern,page)

if result:
如果存在，则返回标题
return result.group(1).strip()

else:

return None
获取帖子一共有多少页
def getPageNum(self,page):
获取帖子页数的正则表达式
pattern = re.compile('<li class="l_reply_num.?.?<span.?>(.?)',page)

if result:

return result.group(1).strip()

else:

return None
获取每一层楼的内容,传入页面内容
def getContent(self,page):
匹配所有楼层的内容
pattern = re.compile('<div id="postcontent.?>(.?)',re.S)

items = re.findall(pattern,page)

contents = []

for item in items:
将文本进行去除标签处理，同时在前后加入换行符
content = "

"+self.tool.replace(item)+"

"

contents.append(content.encode('utf-8'))

return contents

def setFileTitle(self,title):
如果标题不是为None，即成功获取到标题
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 = "

" + str(self.floor) + u"-----------------------------------------------------------------------------------------

"

self.file.write(floorLine)

self.file.write(item)

self.floor += 1

print(item)

def start(self):

indexPage = self.getPage(1)

pageNum = self.getPageNum(indexPage)

title = self.getTitle(indexPage)

self.setFileTitle(title)

if pageNum == None:

print "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,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(raw_input(u'http://tieba.baidu.com/p/'))

seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0

")

floorTag = raw_input("是否写入楼层信息，是输入1，否输入0

")

bdtb = BDTB(baseURL,floorTag)

bdtb.start()

python3.6下

# -*- coding:utf-8 -*-
import urllib.error
import urllib.parse
import urllib.request
import re
#处理页面标签类
class Tool:
 #去除img标签,pageNum):
 try:
 #构建URL
 url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
 request = urllib.request.Request(url)
 response = urllib.request.urlopen(request)
 #返回UTF-8格式编码内容
 return response.read().decode('utf-8')
 #无法连接，报错
 except urllib.error.URLError as e:
 if hasattr(e,"reason"):
 print(u"连接百度贴吧失败,e.reason)
 return None
 #获取帖子标题
 def getTitle(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 = "
" + str(self.floor) + u"-----------------------------------------------------------------------------------------
"
 self.file.write(floorLine)
 self.file.write(str(item,'utf-8'))
 self.floor += 1
 print(str(item,'utf-8'))
 def start(self):
 indexPage = self.getPage(1)
 pageNum = self.getPageNum(indexPage)
 title = self.getTitle(indexPage)
 self.setFileTitle(title)
 if pageNum == None:
 print("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("请输入帖子代号")
baseURL = 'http://tieba.baidu.com/p/' + str(input(u'http://tieba.baidu.com/p/'))
seeLZ = input("是否只获取楼主发言，是输入1，否输入0
")
floorTag = input("是否写入楼层信息，是输入1，否输入0
")
bdtb = BDTB(baseURL,floorTag)
bdtb.start()

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!