分享一个使用Python网络爬虫抓取百度tieba标题和正文图片(正则表达式篇)

回复“资源”即可获赠Python学习资料

大家好，我是皮皮。

一、前言

前几天在Python钻石交流群有个叫【嗨！罗~】的粉丝问了一道关于百度贴吧标题和正文图片网络爬虫的问题，获取源码之后，发现使用xpath匹配拿不到东西，从响应来看，确实是可以看得到源码的。

二、实现过程

究其原因是返回的响应里边并不是规整的html格式，所以直接使用xpath是拿不到的。这里【dcpeng】给了一份代码，使用正则表达式实现的。

# coding:utf-8

# @Time : 2022/5/1 10:46
# @Author: 皮皮
# @公众号: Python共享之家
# @website : http://pdcfighting.com/
# @File : 百度贴吧.py
# @Software: PyCharm
import requests
import re


class TiebaSpider:
    def __init__(self, name):
        self.start_url = "https://tieba.baidu.com/f?kw=" + name + "&ie=utf-8&pn=0"
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.127 Safari/537.36",
            "Cookie": "你的cookie"
        }
        
    def paser_url(self, url):  # 发送请求，获取响应
        response = requests.get(url, headers=self.headers)
        return response.content.decode()

    def get_content_list(self, html_str):
        html = etree.HTML(html_str)
        pattern = re.compile(r'<li class=" j_thread_list clearfix thread_item_box" .*?'
                             r'<a rel="noopener" href=".*?" title="(?P<name>.*?)" .*? bpic="(?P<url>.*?)"', re.S)
        table = re.finditer(pattern, html_str)
        for data in table:
            print(data.group("name"))
            print(data.group("url"))

    def run(self):
        # 1.start_url
        # 2.发送请求，获取响应
        html_str = self.paser_url(self.start_url)
        # print(html_str)
        # 3.提取数据，提取下一页的url地址
        self.get_content_list(html_str)

        # 4.保存数据


if __name__ == '__main__':
    tieba_spider = TiebaSpider("李毅")
    tieba_spider.run()

这个代码亲测好使，运行之后结果如下。

三、总结

大家好，我是皮皮。这篇文章主要分享一个使用Python网络爬虫抓取百度tieba标题和正文图片(正则表达式篇)，行之有效。下一篇文章，将给大家分享使用xpath来提取百度贴吧的标题和正文图片链接，也欢迎大家积极尝试，一起学习。

最后感谢粉丝【嗨！罗~】提问，感谢【dcpeng】、【月神】在运行过程中给出的代码建议，感谢粉丝【猫药师Kelly】等人参与学习交流。

小伙伴们，快快用实践一下吧！如果在学习过程中，有遇到任何问题，欢迎加我好友，我拉你进Python学习交流群共同探讨学习。