<h1 class="core_title_txt" title="【原创】时尚首席（关于时尚，名利，事业，爱情，励志）">【原创】时尚首席（关于时尚，名利，事业，爱情，励志）</h1> 

# -*- 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| |<a.*?>|<img.*?>)")            # 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<p>标签      BgnPartRex = re.compile("<p.*?>")      CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")      CharToNextTabRex = re.compile("<td>")        # 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<span class="red">12</span>页" 来获取一共有多少页          myMatch = re.search(r'class="red">(d+?)</span>', 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 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题          myMatch = re.search(r'<h1.*?>(.*?)</h1>', 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.*?>(.*?)</div>',myPage,re.S)          for item in myItems:              data = self.myTool.Replace_Char(item.replace("n","").encode('gbk'))              self.datas.append(data+'n')  #-------- 程序入口处 ------------------  print u"""#--------------------------------------- #   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。 #--------------------------------------- """  # 以某小说贴吧为例子  # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'    print u'请输入贴吧的地址最后的数字串：'  bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))     #调用  mySpider = Baidu_Spider(bdurl)  mySpider.baidu_tieba()