天涯创业家园：python 抓取天涯帖子内容并保存

python 抓取天涯帖子内容并保存
作者：大捷龙 csdn : http://blog.csdn.net/koanzhongxue

**

分析：天涯的帖子下载可以分为以下几个步骤

手动传入一个帖子首页的地址

打开文本

提取帖子标题

获取帖子的最大页数

遍历每一页，获得每条回复的是否是楼主、作者昵称、回复时间。

写入看文本

关闭文本

预备：

Python的文件操作：

一、打开文件
代码如下：

f = open(“d:\test.txt”, “w”)

说明：
第一个参数是文件名称，包括路径；第二个参数是打开的模式mode
‘r’：只读（缺省。如果文件不存在，则抛出错误）
‘w’：只写（如果文件不存在，则自动创建文件）
‘a’：附加到文件末尾
‘r+’：读写

二、读取内容
f.read(size)
参数size表示读取的数量，可以省略。如果省略size参数，则表示读取文件所有内容。
f.readline()
读取文件一行的内容
f.readlines()
读取所有的行到数组里面[line1,line2,…lineN]。在避免将所有文件内容加载到内存中，这种方法常常使用，便于提高效率。

三、写入文件
f.write(string) 将一个字符串写入文件，如果写入结束，必须在字符串后面加上”\n”，然后f.close()关闭文件

---

实战：

1 选取天涯帖子：《风云(中国第一本企业家自传)创业家园天涯论坛》

URL= http://bbs.tianya.cn/post-house-590038-1.shtml
2 打开帖子首页

url ='http://bbs.tianya.cn/post-enterprise-8487-1.shtml'link = urllib2.urlopen(url)html = link.read()

3 获取标题

HTML：



风云(中国第一本企业家自传)创业家园天涯论坛

#获取帖子的基本信息#正则表达式，用于提取文章标题gettitle = re.compile(r'<title>(.*?)</title>')title = re.findall(gettitle,html)

4 获取最大页数

<strong>1</strong> <a href="/post-enterprise-8487-2.shtml">2</a> <a href="/post-enterprise-8487-3.shtml">3</a> <a href="/post-enterprise-8487-4.shtml">4