261day（爬取百度贴吧帖子）

《2018年6月29日》【连续261天】

标题：爬取百度贴吧帖子；

内容：

本来想跟别人一起用urllib.request.Request爬取html的，但一运行就未响应，只好用requests了

url:  https://tieba.baidu.com/p/3138733512?see_lz=1&pn=1&red_tag=1250477225

标题：

总页数：

发言：

看了别人的一些代码，加了剔除乱码的类：

import urllib
import requests
import re

#处理页面标签类
class Tool:
    #去除img标签,7位长空格
    removeImg = re.compile('<img.*?>| {7}|')
    #删除超链接标签
    removeAddr = re.compile('<a.*?>|</a>')
    #把换行的标签换为\n
    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #将表格制表<td>替换为\t
    replaceTD= re.compile('<td>')
    #把段落开头换为\n加空两格
    replacePara = re.compile('<p.*?>')
    #将换行符或双换行符替换为\n
    replaceBR = re.compile('<br><br>|<br>')
    #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,"\n",x)
        x = re.sub(self.replaceTD,"\t",x)
        x = re.sub(self.replacePara,"\n    ",x)
        x = re.sub(self.replaceBR,"\n",x)
        x = re.sub(self.removeExtraTag,"",x)
        #strip()将前后多余内容删除
        return x.strip()

class BDTB:
    
     def __init__(self,baseUrl,seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz='+str(seeLZ)
        self.tool =Tool()

     def getPage(self,pageNum):
         try: 
             url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
             r = requests.get(url, timeout = 30)
             r.raise_for_status()
             r.encoding = r.apparent_encoding
             return r.text
         except:
             return ""

               
     def getTitle(self):
         page = self.getPage(1)
         pattern = re.compile('<h3 class="core_title_txt pull-left text-overflow.*?>(.*?)</h3>',re.S)
         result = re.search(pattern,page)
         if result:
             return(result.group(1).strip())
         else:
             return None
     def getPageNum(self):
         page = self.getPage(1)
         pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
         result = re.search(pattern,page)
         if result:
             return result.group(1).strip()
         else:
             return None
          
     def getContent(self,page):
         pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
         items = re.findall(pattern,page)
         floor = 1
         for item in items:
             print(floor,u"楼------------------------------------------------------------\n")
             print(self.tool.replace(item))
             floor += 1
             
def main():         
     baseURL ="http://tieba.baidu.com/p/3138733512"
     bdtb =BDTB(baseURL,1)
     n = bdtb.getPageNum()
     title=bdtb.getTitle()
     print(title)
     for i in range(int(n)):
          i +=1
          bdtb.getContent(bdtb.getPage(i))
     
main()

将baseURL改掉，即可爬取其他帖子，也可以将内容保存到文件中；

效果：