本次实战项目适合，有一定Python语法知识的小白学员。本人也是根据一些网上的资料，自己摸索编写的内容。有不明白的童鞋，欢迎提问。
目的：爬取百度小说吧中的原创小说《猎奇师》部分小说内容
链接：http://tieba.baidu.com/p/4792877734
首先，自己定义一个类，方便使用。其实类就像一个“水果篮”，这个“水果篮”里有很多的“水果”，也就是我们类里面定义的变量啊，函数啊等等，各种各样的。每一种"水果"都有自己的独特的口味，也即是各个函数实现的功能各不相同。
然后，按照这个思路，既然要爬取小说，那么肯定要有目标网页的地址，也就是上面我给的那个连接。其实就像买水果之前，我们要找到水果店。
打开目标贴吧后，会发现里面有很多的贴子，有楼主发的，还有读者评论的，很多很杂。不过，没关系。度娘给了我们一个强大的功能，只看楼主。这就是我们的切入点。点击只看楼主按钮，哈哈，此时呈现在眼前的就是楼主的主要内容啦。
相应的，此时的网页也有所改变，地址上多了一个只看楼主的标记 http://tieba.baidu.com/p/4792877734?see_lz=1
所以，我们在定义类中的初始化函数时，就要有这个标记。
接下来，我们开始在选择不同口味的水果。我们要先获取网页的源代码，就需要有一个getPage的函数。函数里需要有我们的页码，注意我们选择不同也的小说，会发现，我们的地址也是有稍稍变动的，比如：第二页连接：http://tieba.baidu.com/p/4792877734?see_lz=1&pn=2 多了&pn=2。这个我们要整合一下。
（未完>>>>>>>>>明晚继续）
下面是我的代码：
#-*- coding:utf-8 -*-
import urllib
import urllib2
import re # 百度小说吧 原创小说《猎奇师》
# 连接http://tieba.baidu.com/p/4792877734?see_lz=1
# 第二页连接：http://tieba.baidu.com/p/4792877734?see_lz=1&pn=2
class LQS:
def __init__(self,daseUrl,seeLZ):
self.daseUrl = daseUrl
self.seeLZ ='?see_lz=' + str(seeLZ)
# 传入页码，获取网页源代码
def getPage(self,pageNum):
try:
# 拼接，地址 + 楼主参数 + 页数
url = self.daseUrl + self.seeLZ + '&pn=' + str(pageNum)
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read()
except Exception,e:# 处理异常
print e
# 获取标题
def getTitle(self,pageNum):
html = self.getPage(pageNum)
reg = re.compile(r'<title>【原创】恐怖故事 (.*?)_小说吧_百度贴吧</title>')
items = re.findall(reg,html)
# 将标题写入文件
for item in items:
f = open('lqshi.txt','w') # 文件名最好是英文，中文识别不了
f.write('标题' + '\t\t' + item)
f.close()
return items
# 获取正文
def getContent(self,pageNum):
html = self.getPage(pageNum)
reg = re.compile(r'class="d_post_content j_d_post_content "> (.*?)</div><br>')
req = re.findall(reg,html)
# 将标题写入文件
for i in req:
removeAddr = re.compile('<a.*?</a>')
i = re.sub(removeAddr,"",i)# 找到并替换
i = i.replace("<br>","\n ")
f = open('lqshi.txt','a')# 此处是写入正文内容，所以用a
f.write( '\n\n\n' + i)
f.close()
return i daseURL = 'http://tieba.baidu.com/p/4792877734'
lqShi = LQS(daseURL,1)
print "爬虫已启动..."
for i in range(4):
lqShi.getTitle(i)
lqShi.getContent(i)
print "正在抓取第%s页的内容" % (i+1)