<h1 class="core_title_txt" title="【原創(chuàng)】時尚首席（關(guān)于時尚，名利，事業(yè)，愛情，勵志）">【原創(chuàng)】時尚首席（關(guān)于時尚，名利，事業(yè)，愛情，勵志）</h1> 

# -*- 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的符號實體轉(zhuǎn)變?yōu)樵挤?nbsp;
    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'爬蟲報告：無法計算樓主發(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()