百度贴吧的爬虫制作和糗百的爬虫制作原理基本相同，都是通过查看源码扣出关键数据，然后将其存储到本地txt文件。

项目内容：

用Python写的百度贴吧的网络爬虫。

使用方法：

新建一个BugBaidu.py文件，然后将代码复制到里面后，双击运行。

程序功能：

将贴吧中楼主发布的内容打包txt存储到本地。

原理解释：

首先，先浏览一下某一条贴吧，点击只看楼主并点击第二页之后url发生了一点变化，变成了：
http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1
可以看出来，see_lz=1是只看楼主，pn=1是对应的页码，记住这一点为以后的编写做准备。
这就是我们需要利用的url。
接下来就是查看页面源码。
首先把题目抠出来存储文件的时候会用到。
可以看到百度使用gbk编码，标题使用h1标记：

复制代码 代码如下:

【原创】时尚首席（关于时尚，名利，事业，爱情，励志）

 

同样，正文部分用div和class综合标记，接下来要做的只是用正则表达式来匹配即可。
运行截图：

生成的txt文件：

复制代码 代码如下:
# -*- coding: utf-8 -*- 
#————————————— 
#   程序：百度贴吧爬虫 
#   版本：0.5 
#   作者：why 
#   日期：2013-05-16 
#   语言：Python 2.7 
#   操作：输入网址后自动只看楼主并保存到本地文件 
#   功能：将楼主发布的内容打包txt存储到本地。 
#————————————— 
  
import string 
import urllib2 
import re 
 
#———– 处理页面上的各种标签 ———– 
class HTML_Tool: 
    # 用非 贪婪模式 匹配 \\t 或者 \\n 或者 空格 或者 超链接 或者 图片 
    BgnCharToNoneRex = re.compile(\”(\\t|\\n| ||)\”) 
     
    # 用非 贪婪模式 匹配 任意<>标签 
    EndCharToNoneRex = re.compile(\”<.*?>\”) 
 
    # 用非 贪婪模式 匹配 任意

标签 
    BgnPartRex = re.compile(\”\”) 
    CharToNewLineRex = re.compile(\”(
|

||)\”) 
    CharToNextTabRex = re.compile(\”\”) 
 
    # 将一些html的符号实体转变为原始符号 
    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: 
    # 申明相关的属性 
    def __init__(self,url):   
        self.myUrl = url + \’?see_lz=1\’ 
        self.datas = [] 
        self.myTool = HTML_Tool() 
        print u\’已经启动百度贴吧爬虫，咔嚓咔嚓\’ 
   
    # 初始化加载页面并将其转码储存 
    def baidu_tieba(self): 
        # 读取页面的原始信息并将其从gbk转码 
        myPage = urllib2.urlopen(self.myUrl).read().decode(\”gbk\”) 
        # 计算楼主发布内容一共有多少页 
        endPage = self.page_counter(myPage) 
        # 获取该帖的标题 
        title = self.find_title(myPage) 
        print u\’文章名称：\’ + title 
        # 获取最终的数据 
        self.save_data(self.myUrl,title,endPage) 
 
    #用来计算一共有多少页 
    def page_counter(self,myPage): 
        # 匹配 \”共有12页\” 来获取一共有多少页 
        myMatch = re.search(r\’class=\”red\”>(\\d+?)\’, myPage, re.S) 
        if myMatch:   
            endPage = int(myMatch.group(1)) 
            print u\’爬虫报告：发现楼主共有%d页的原创内容\’ % endPage 
        else: 
            endPage = 0 
            print u\’爬虫报告：无法计算楼主发布内容有多少页！\’ 
        return endPage 
 
    # 用来寻找该帖的标题 
    def find_title(self,myPage): 
        # 匹配

xxxxxxxxxx

找出标题 
        myMatch = re.search(r\'(.*?)\’, myPage, re.S) 
        title = u\’暂无标题\’ 
        if myMatch: 
            title  = myMatch.group(1) 
        else: 
            print u\’爬虫报告：无法加载文章标题！\’ 
        # 文件名不能包含以下字符： \\ / ： * ? \” < > | 
        title = title.replace(\’\\\\\’,\’\’).replace(\’/\’,\’\’).replace(\’:\’,\’\’).replace(\’*\’,\’\’).replace(\’?\’,\’\’).replace(\’\”\’,\’\’).replace(\’>\’,\’\’).replace(\'<\’,\’\’).replace(\’|\’,\’\’) 
        return title 
 
    # 用来存储楼主发布的内容 
    def save_data(self,url,title,endPage): 
        # 加载页面数据到数组中 
        self.get_data(url,endPage) 
        # 打开本地文件 
        f = open(title+\’.txt\’,\’w+\’) 
        f.writelines(self.datas) 
        f.close() 
        print u\’爬虫报告：文件已下载到本地并打包成txt文件\’ 
        print u\’请按任意键退出…\’ 
        raw_input(); 
 
    # 获取页面源码并将其存储到数组中 
    def get_data(self,url,endPage): 
        url = url + \’&pn=\’ 
        for i in range(1,endPage+1): 
            print u\’爬虫报告：爬虫%d号正在加载中…\’ % i 
            myPage = urllib2.urlopen(url + str(i)).read() 
            # 将myPage中的html代码处理并存储到datas里面 
            self.deal_data(myPage.decode(\’gbk\’)) 
             
    # 将内容从页面代码中抠出来 
    def deal_data(self,myPage): 
        myItems = re.findall(\’id=\”post_content.*?>(.*?)