python爬虫学习笔记2——百度贴吧帖子爬取

系列 ——  Python爬虫实战
题目 ——  抓取百度贴吧帖子
语言 ——  Python
目标 ——  1、抓取帖子
2、指定是否只看楼主
3、将抓取的内容保存文件




步骤 
1、踩点，分析目标URL
此处选取明信片吧的一个帖子：http://tieba.baidu.com/p/3939688645?see_lz=1&pn=1
分析一下： 
 http://  代表资源传输使用http协议
 tieba.baidu.com 是百度的二级域名，指向百度贴吧的服务器。
 /p/3939688645 是服务器某个资源，即这个帖子的地址定位符
 see_lz和pn是该URL的两个参数，分别代表了只看楼主和帖子页码，等于1表示该条件为真


 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。


 2、页面抓取
 编写代码：
 =====================================================
 # -*- coding:utf-8 -*-
import urllib
import urllib2
import re


class BDTB:
    def __init__(self,baseURL,seeLZ):
        self.baseURL = baseURL
        self.seeLZ = '?see_lz='+str(seeLZ)
    
    def getPage(self,pageNum):
        try:
            url = self.baseURL+self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            print response.read()
            return response
        except urllib2.URLError,e:
            if hasattr(e,"reason"):
                print "fail to connect,reason:",e.reason
                return None


baseURL = 'http://tieba.baidu.com/p/3939688645'
bdtb = BDTB(baseURL,1)
bdtb.getPage(1)
=====================================================
结果：运行成功，返回指定页面HTML代码


3、提取相关信息
1）提取标题

分析源代码可知标题所在代码段如下：

所以增加一个获取标题的方法：
=======================================================
def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
        result = re.search(pattern,page)
        if