最近在网上看了很多的爬虫脚本，写的参差不齐，但是其中有很多写的非常的优秀，代码质量很高，规范性也很好，很具有代表性，非常值得我们去学习！~
写好一个python爬虫需要有以下几个必备条件：
1、足够好的代码规范(等号前后加空格、逗号后加空格等等)，结构性封装性好，重用性高。这需要时间和很多的训练。
2、在抓取网页的html源码后，快速找到自己想要的目标，准确的写出它的正则表达式。
3、得到目标内容后，准确进行一系列保存抓取等后续操作。
之前的帖子中介绍过url,也就是网址，在我们抓取网页的过程中也要非常注意网页的各项细节，而且需要我们不断的积累经验，也需要细心的分析：
例：
/p/3138733512?see_lz=1&pn=1
这是我们要抓去的一个百度贴吧帖子的url，主要是后面的一小串看的不是很明白吧。下面带大家细细分析一下：
“http://“代表资源传输使用http协议。
"”这是百度贴吧的二级域名，指向贴吧的服务器。
"/p/3138733512"这是服务器中的某一个资源，也就是我们目标帖子的定位符。
"？see_lz=1&pn=1" 前半部分指的是是否只看楼主，后半部分指的是pagenumber页数第一页。
这样我们就完整分析了一个网页，比如说很多人喜欢看斗鱼：/directory/game/LOL，或者CSDN的编辑页面：http://write./postedit?type=edit这个网页应该很好分析吧，以后抓取各种网页的时候都要学会怎样去分析一个网页的url，这样我们才能写出更加壮硕的小爬虫~~。
我们可以将一个网页拆分成基础部分和参数部分，比如：
/p/3138733512?see_lz=1&pn=1
我们将它拆为基础部分：/p/3138733512，参数部分为：？see_lz=1&pn=1
这样做的目的使我们可以在一定程度上控制想要访问的页面，通过修改参数就可以达到我们想要的目的。
下面我们来实现第一条：
在Python中我们也可以运用面向对象的方法，定义一个百度贴吧BDTB的类，其中包含初始化函数和各种不同的抓取函数，相当于用这个类给我们的小爬虫做一身好看的衣服。在写任何爬虫的Python程序中，都可以用这种用类包装的方法，相当于结构化了自己的程序，也使用了面向对象的方法。
我们就先来看看完整的程序：
#coding=utf-8import urllib2import reimport sysreload(sys)sys.setdefaultencoding("utf-8")# 处理页面标签类class Tool:# 去除img标签,7位长空格removeImg = pile('<img.*?>| {7}|')# 删除超链接标签removeAddr = pile('<a.*?>|</a>')# 把换行的标签换为\nreplaceLine = pile('<tr>|<div>|</div>|</p>')# 将表格制表<td>替换为\treplaceTD = pile('<td>')# 把段落开头换为\n加空两格replacePara = pile('<p.*?>')# 将换行符或双换行符替换为\nreplaceBR = pile('<br><br>|<br>')# 将其余标签剔除removeExtraTag = pile('<.*?>')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,lz):self.Baseurl = baseurl #基础部分self.Lz = '?see_lz='+str(lz) #是否只看楼主参数部分self.tool = Tool() #标签处理类self.file = Noneself.floor = 1#######需要设置为全局变量,在写入文件时用来分割楼层。def Getpage(self,pagenum): #函数用来生成完整url，并抓取网页返回self.Pagenum = '&pn=' + str(pagenum)url = self.Baseurl+self.Lz+self.Pagenum #生成完整urlrequest = urllib2.Request(url)Mypage = urllib2.urlopen(request) #使用request,获取网页内容return Mypage.read().decode('utf-8') #将编码方式解码为utf-8def Getpagenum(self,page): #函数用来抓取网页中包含的帖子最大页数pattern = pile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>', re.S)pagenum = re.search(pattern, page) #使用search()方法，抓取目标内容if pagenum:return pagenum.group(1).strip() #如果包含的话就返回页数(字符串形式)else:return Nonedef Gettitle(self,page): #函数用来抓取网页中包含的帖子的标题，用来命名txt文件pattern = pile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)result = re.search(pattern,page)if result:return result.group(1).strip()#注意search()和findall()的区别注意else:return None#多次出现的格式，但是我们只需要一个，并且不需要保存成list格式，可以使用search()返回一个字符串即可def Getimg(self,page): #函数用来抓取网页中包含的帖子中的目标图片链接result_img = re.findall('<img class="BDE_Image" src="(.*?)" pic_ext=.*?>', page, re.S) #只要是符合正则表达式的所有图片都需要保存result_imgs = []for item in result_img:content = "\n" + self.tool.replace(item) + "\n"result_imgs.append(content.encode('utf-8')) #换行处理更加清晰return result_imgsdef Getcontent(self,page): #函数用来抓取网页中包含的帖子中的目标楼层文字内容items = re.findall('<div id="post_content_.*?>(.*?)</div>',page, re.S)contents = []for item in items :content = "\n" + self.tool.replace(item) + "\n" #这里使用到了便签的处理类contents.append(content.encode('utf-8')) #换行处理更加清晰return contentsdef setfile(self,title): #函数用来打开创建一个txt文件用来存储if title is not None:self.file = open(title + ".txt", "w+") #没有这个文件的话会话就自己创建else:self.file = open(u"百度贴吧" + ".txt","w+")def savefile(self,items): #函数用来保存目标楼层文字内容for item in items:floorline = str(self.floor) + u'楼' + '——————————————————————————————'self.file.write(floorline)self.file.write(item)self.floor += 1def saveimg(self,result_img): #函数用来保存目标楼层的目标图片链接for img in result_img:self.file.write(img)def start(self): #开始函数，用来再次包装所有的函数以达到将内容写进txt文件的目的page1 = self.Getpage(1)pagenum = self.Getpagenum(page1)title = self.Gettitle(page1)self.setfile(title)if pagenum == 0:print '该链接已失效或为无效链接'else:print '开始写入数据'for i in range(1,int(pagenum)+1):print '正在写入第'+str(i)+'页信息'page=self.Getpage(i)self.savefile(self.Getcontent(page))self.saveimg(self.Getimg(page))print '数据写入完毕'print u'请输入帖子链接'baseurl = str(raw_input())seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0\n")bdtb = BDTB(baseurl,seeLZ) #类的实例化bdtb.start()
咱们先不管一开始的Tool类，看下面的BDTB类，用来包装了我们所有的重要的函数。每个函数都有详细的介绍。
其中有几点需要着重注意的地方：
1、findall()和search()之间的区别和用法。
findall()函数：返回的是所有满足其正则表达式的内容，形式为列表。
search()函数：返回的是第一个满足条件的匹配，形式为字符串或者是元组。
这里我们就可以看出为什么程序中有的需要使用findall,有的需要使用search()。例如：
我们要的是一个最大的页数，但是玩过贴吧都知道在页首和页尾都会显示最大页数，我们用正则表达式就会匹配到两个地方的内容，如果我们使用findall()函数，返回的是[5,5],但是我们只需要一个简单的5，就够了，这就需要search()的使用了。
学会在什么情况下分别使用这两种函数也是比较重要的
2、result.group(1).strip()
这样的表达是为了得到我们的目标结果。
group()，返回的是匹配到的一个或者多个子组，如果只有一个参数，那么就是字符串。多个参数返回的就是元组。这里的group(1)指的就是第一个参数。
strip()，默认删除空白符（包括'\n', '\r', '\t', ' ')。
3、抓去了网页的html源码以后还是要仔细的观察、分析，找到目标后，写出合适的正则表达式也是一个重点所在！~
再说我们多出的Tool类，这个类是对很多哦帖子分析得来的结果，你可以尝试单独输出一下没有经过标签处理类的楼层文字内容，会有很多想不到的标签出现，比如说空格、换行符、超链接等等，Tool类中给出了很多种情况。
在此我们又要讨论一种情况的发生，就是目标内容的内部包含了我们不想要的东西，比如说：“我喜欢<HVGgvjhhgu>Python”,我们想去除其中的<>内容，就需要用到re模块的sub()函数处理我们的目标内容。这也算是比较精髓的一种内容啦。
对于这个程序的改写，也非常容易，只要替换掉一些正则表达式即可。或者不想处理百度贴吧的帖子，想抓去淘宝链接的美图，也可以通过稍加修改来得到。
本例部分结果如下：
更新一下抓取其中的主要图片的例子，上一次我们已经得到了其中的图片链接，下面就是保存抓取了：
#coding=utf-8import urllib2import urllibimport reimport osimport sysreload(sys)sys.setdefaultencoding("utf-8")# 处理页面标签类class Tool:# 去除img标签,7位长空格removeImg = pile('<img.*?>| {7}|')# 删除超链接标签removeAddr = pile('<a.*?>|</a>')# 把换行的标签换为\nreplaceLine = pile('<tr>|<div>|</div>|</p>')# 将表格制表<td>替换为\treplaceTD = pile('<td>')# 把段落开头换为\n加空两格replacePara = pile('<p.*?>')# 将换行符或双换行符替换为\nreplaceBR = pile('<br><br>|<br>')# 将其余标签剔除removeExtraTag = pile('<.*?>')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,lz):self.Baseurl = baseurl #基础部分self.Lz = '?see_lz='+str(lz) #是否只看楼主参数部分self.tool = Tool() #标签处理类self.file = Noneself.floor = 1#######需要设置为全局变量,在写入文件时用来分割楼层。self.name = 1def Getpage(self,pagenum): #函数用来生成完整url，并抓取网页返回self.Pagenum = '&pn=' + str(pagenum)url = self.Baseurl+self.Lz+self.Pagenum #生成完整urlrequest = urllib2.Request(url)Mypage = urllib2.urlopen(request) #使用request,获取网页内容return Mypage.read().decode('utf-8') #将编码方式解码为utf-8def Getpagenum(self,page): #函数用来抓取网页中包含的帖子最大页数pattern = pile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>', re.S)pagenum = re.search(pattern, page) #使用search()方法，抓取目标内容if pagenum:return pagenum.group(1).strip() #如果包含的话就返回页数(字符串形式)else:return Nonedef Gettitle(self,page): #函数用来抓取网页中包含的帖子的标题，用来命名txt文件pattern = pile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)result = re.search(pattern,page)if result:return result.group(1).strip()#注意search()和findall()的区别注意else:return None#多次出现的格式，但是我们只需要一个，并且不需要保存成list格式，可以使用search()返回一个字符串即可def Getimg(self,page): #函数用来抓取网页中包含的帖子中的目标图片链接result_img = re.findall('<img class="BDE_Image" src="(.*?)" pic_ext=.*?>', page, re.S) #只要是符合正则表达式的所有图片都需要保存result_imgs = []for item in result_img:content = "\n" + self.tool.replace(item) + "\n"result_imgs.append(content.encode('utf-8')) #换行处理更加清晰return result_imgsdef Getcontent(self,page): #函数用来抓取网页中包含的帖子中的目标楼层文字内容items = re.findall('<div id="post_content_.*?>(.*?)</div>',page, re.S)contents = []for item in items :content = "\n" + self.tool.replace(item) + "\n"contents.append(content.encode('utf-8')) #换行处理更加清晰return contentsdef setfile(self,title): #函数用来打开创建一个txt文件用来存储if title is not None:self.file = open(title + ".txt", "w+") #没有这个文件的话会话就自己创建else:self.file = open(u"百度贴吧" + ".txt","w+")def savefile(self,items): #函数用来保存目标楼层文字内容for item in items:floorline = str(self.floor) + u'楼' + '——————————————————————————————'self.file.write(floorline)self.file.write(item)self.floor += 1def saveimg(self,result_img): #函数用来保存目标楼层的目标图片链接for img in result_img:self.file.write(img)def saveImg(self, imageURL, fileName):u = urllib.urlopen(imageURL)data = u.read()f = open(fileName, 'wb')f.write(data)f.close()def saveImgs(self, images): # 保存多张写真图片print u"发现共有", len(images), u"张照片"for imageURL in images:splitPath = imageURL.split('.')fTail = splitPath.pop()if len(fTail) > 3:fTail = "jpg"fileName = str(self.name) + "." + fTailself.saveImg(imageURL, fileName)self.name += 1def mkdir(self, path):# 创建新目录isExists = os.path.exists(path)# 判断结果if not isExists:# 如果不存在则创建目录print u"偷偷新建了名字叫做", path, u'的文件夹'# 创建目录操作函数os.makedirs(path)return Trueelse:# 如果目录存在则不创建，并提示目录已存在print u"名为", path, '的文件夹已经创建成功'return Falsedef start(self): #开始函数，用来再次包装所有的函数以达到将内容写进txt文件的目的page1 = self.Getpage(1)pagenum = self.Getpagenum(page1)title = self.Gettitle(page1)self.setfile(title)if pagenum == 0:print '该链接已失效或为无效链接'else:print '开始写入数据'for i in range(1,int(pagenum)+1):print '正在写入第'+str(i)+'页信息'page = self.Getpage(i)self.mkdir(str(i))self.savefile(self.Getcontent(page))self.saveImgs(self.Getimg(page))print '数据写入完毕'print u'请输入帖子链接'baseurl = str(raw_input())seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0\n")bdtb = BDTB(baseurl,seeLZ) #类的实例化bdtb.start()
如果觉得《Python爬虫实战（1）——百度贴吧抓取帖子并保存内容和图片》对你有帮助，请点赞、收藏，并留下你的观点哦！
