python爬取百度贴吧帖子

最近偶尔学下爬虫，放上第二个demo吧

#-*- coding: utf-8 -*-
import urllib
import urllib2
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()

#爬取百度贴吧
class BDTB:
    #初始化，传入地址，参数
    def __init__(self,baseUrl,seelz,floorTag):
        self.baseURL=baseUrl
        self.seelz='?see_lz='+str(seelz)
        # HTML标签剔除工具类对象
        self.tool = Tool()
        # 全局file变量，文件写入操作对象
        self.file = None
        # 楼层标号，初始为1
        self.floor = 1
        # 默认的标题，如果没有成功获取到标题的话则会用这个标题
        self.defaultTitle = u"百度贴吧"
        # 是否写入楼分隔符的标记
        self.floorTag = floorTag

    #传入页码，获取该业帖子的代码
    def getPage(self,pageNum):
        try:
            url=self.baseURL+self.seelz+'&pn='+str(pageNum)
            request=urllib2.Request(url)
            response=urllib2.urlopen(request)
            print url
            #print response.read()
            return response.read()
        except urllib2.URLError,e:
            if hasattr(e,'reason'):
                print u"连接百度贴吧失败",e.reason
                return None

    #得到帖子的标题
    def getTitle(self,page):
        #访问第一页，得到标题
        pattern=re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
        result=re.search(pattern,page)

        if result:
            #strip是删除字符串的内容，当rm为空时，默认删除空白符（包括'\n', '\r',  '\t',  ' ')
            #group输出第一个括号的部分也就是(.*?)

            return result.group(1).strip()
        else:
            return None
    #获取帖子页数
    def getPageNum(self,page):

        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
    #获取每一层的内容
    def getContent(self,page):
        pattern=re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
        items=re.findall(pattern,page)

        contents=[]
        for item in items:
            #将文本进行去除标签处理,同时在前后进行换行
            content="\n"+self.tool.replace(item)+"\n"
            contents.append(content)
        return contents

    #文件名设置
    def setFileTitle(self,title):
        #如果标题不为none，则取到标题
        if title is not None:
            #w+的权限是可读写，w是只能写不能读
            self.file=open(title+'.txt',"w+")
        else:
            self.file=open(self.defaultTitle+".txt","w+")

    #向文件写信息
    def writeData(self,contents):
        #写入每一楼的信息
        for item in contents:
            if self.floorTag == "1":
                #楼之间加分隔符
                floorLine="\n"+str(self.floor)+u"------------------------------------------------------\n"
                self.file.write(floorLine)
                self.file.write(item)
                self.floor +=1

    def start(self):
        indexPage=self.getPage(1)
        pageNum=self.getPageNum(indexPage)
        title=self.getTitle(indexPage)
        self.setFileTitle(title)

        if pageNum == None:
            print "URL失效，请重试"
            return

        try:
            print "该帖子共有"+str(pageNum)+"页"
            for i in range(1,int(pageNum)+1):
                print "正在写入第"+str(i)+"页数据"
                page=self.getPage(i)
                contents=self.getContent(page)
                self.writeData(contents)

        # 出现写入异常
        except IOError, e:
            print "写入异常，原因" + e.message
        finally:
            print "写入任务完成"

baseURL = 'http://tieba.baidu.com/p/3138733512'
seelz = raw_input("是否只获取楼主发言，是输入1，否输入0\n")
floorTag = raw_input("是否写入楼层信息，是输入1，否输入0\n")
bdtb = BDTB(baseURL,seelz,floorTag)
bdtb.start()