本文实例讲述了基于Python实现的百度贴吧网络爬虫。分享给大家供大家参考。具体如下：

完整实例代码点击此处本站下载。

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：

# -*- 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.*?>(.*?)