# -*- coding: utf-8 -*- #--------------------------------------- #  程序：百度貼吧爬蟲 #  版本：0.5 #  作者：why #  日期：2013-05-16 #  語言：Python 2.7 #  操作：輸入網(wǎng)址后自動只看樓主并保存到本地文件 #  功能：將樓主發(fā)布的內(nèi)容打包txt存儲到本地。 #--------------------------------------- import string import urllib2 import re #----------- 處理頁面上的各種標(biāo)簽 ----------- class HTML_Tool:   # 用非 貪婪模式 匹配 /t 或者 /n 或者 空格 或者 超鏈接 或者 圖片   BgnCharToNoneRex = re.compile("(/t|/n| |<a.*?>|<img.*?>)")   # 用非 貪婪模式 匹配 任意<>標(biāo)簽   EndCharToNoneRex = re.compile("<.*?>")   # 用非 貪婪模式 匹配 任意<p>標(biāo)簽   BgnPartRex = re.compile("<p.*?>")   CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")   CharToNextTabRex = re.compile("<td>")   # 將一些html的符號實(shí)體轉(zhuǎn)變?yōu)樵挤?  replaceTab = [("<","<"),(">",">"),("&","&"),("&","/""),(" "," ")]   def Replace_Char(self,x):     x = self.BgnCharToNoneRex.sub("",x)     x = self.BgnPartRex.sub("/n  ",x)     x = self.CharToNewLineRex.sub("/n",x)     x = self.CharToNextTabRex.sub("/t",x)     x = self.EndCharToNoneRex.sub("",x)     for t in self.replaceTab:        x = x.replace(t[0],t[1])      return x  class Baidu_Spider:   # 申明相關(guān)的屬性   def __init__(self,url):      self.myUrl = url + '?see_lz=1'     self.datas = []     self.myTool = HTML_Tool()     print u'已經(jīng)啟動百度貼吧爬蟲，咔嚓咔嚓'   # 初始化加載頁面并將其轉(zhuǎn)碼儲存   def baidu_tieba(self):     # 讀取頁面的原始信息并將其從gbk轉(zhuǎn)碼     myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")     # 計(jì)算樓主發(fā)布內(nèi)容一共有多少頁     endPage = self.page_counter(myPage)     # 獲取該帖的標(biāo)題     title = self.find_title(myPage)     print u'文章名稱：' + title     # 獲取最終的數(shù)據(jù)     self.save_data(self.myUrl,title,endPage)   #用來計(jì)算一共有多少頁   def page_counter(self,myPage):     # 匹配 "共有<span class="red">12</span>頁" 來獲取一共有多少頁     myMatch = re.search(r'class="red">(/d+?)</span>', myPage, re.S)     if myMatch:        endPage = int(myMatch.group(1))       print u'爬蟲報(bào)告：發(fā)現(xiàn)樓主共有%d頁的原創(chuàng)內(nèi)容' % endPage     else:       endPage = 0       print u'爬蟲報(bào)告：無法計(jì)算樓主發(fā)布內(nèi)容有多少頁！'     return endPage   # 用來尋找該帖的標(biāo)題   def find_title(self,myPage):     # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出標(biāo)題     myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)     title = u'暫無標(biāo)題'     if myMatch:       title = myMatch.group(1)     else:       print u'爬蟲報(bào)告：無法加載文章標(biāo)題！'     # 文件名不能包含以下字符： / / ： * ? " < > |     title = title.replace('//','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')     return title   # 用來存儲樓主發(fā)布的內(nèi)容   def save_data(self,url,title,endPage):     # 加載頁面數(shù)據(jù)到數(shù)組中     self.get_data(url,endPage)     # 打開本地文件     f = open(title+'.txt','w+')     f.writelines(self.datas)     f.close()     print u'爬蟲報(bào)告：文件已下載到本地并打包成txt文件'     print u'請按任意鍵退出...'     raw_input();   # 獲取頁面源碼并將其存儲到數(shù)組中   def get_data(self,url,endPage):     url = url + '&pn='     for i in range(1,endPage+1):       print u'爬蟲報(bào)告：爬蟲%d號正在加載中...' % i       myPage = urllib2.urlopen(url + str(i)).read()       # 將myPage中的html代碼處理并存儲到datas里面       self.deal_data(myPage.decode('gbk'))   # 將內(nèi)容從頁面代碼中摳出來   def deal_data(self,myPage):     myItems = re.findall('id="post_content.*?>(.*?)</div>',myPage,re.S)     for item in myItems:       data = self.myTool.Replace_Char(item.replace("/n","").encode('gbk'))       self.datas.append(data+'/n')  #-------- 程序入口處 ------------------ print u"""#--------------------------------------- #  程序：百度貼吧爬蟲 #  版本：0.5 #  作者：why #  日期：2013-05-16 #  語言：Python 2.7 #  操作：輸入網(wǎng)址后自動只看樓主并保存到本地文件 #  功能：將樓主發(fā)布的內(nèi)容打包txt存儲到本地。 #--------------------------------------- """ # 以某小說貼吧為例子 # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1' print u'請輸入貼吧的地址最后的數(shù)字串：' bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))  #調(diào)用 mySpider = Baidu_Spider(bdurl) mySpider.baidu_tieba()