用python提取百度贴吧的小说

用python提取百度贴吧的小说

这个程序主要功能是从百度贴吧，获得html文件，然后用Beautiful Soup解析html文件，提取贴吧的帖子。干什么的？其实是来看小说的，想做的更自动化一些的，但是python开始学没多长时间，暂时做到这个程度了，以后有机会会考虑增强功能的。

代码如下：

#-*- encoding: utf-8 -*-
importurllib2
import re
from BeautifulSoup import BeautifulSoup

def stripHTMLTags (html):
    '''strip html tags; from http://goo.gl/EaYp5'''
    return re.sub('<([^!>]([^>]|\n)*)>', '', html)

def fetch_tieba(url,localfile,ignoreFansReq=False):
    '''fetch the url resource and save to localfile'''
   
    # fetch the url resource and encode to utf-8
    html = urllib2.urlopen(url).read()
    html = unicode(html,'gb2312','ignore').encode('utf-8','ignore')

    # extract the main content
    content = BeautifulSoup(html).findAll(attrs={'class':'d_post_content'})

    # write the content to localfile
    myfile = open(localfile,'w')
    for item in content:
        item_formatted = stripHTMLTags(str(item).replace('<br />','\r\n'))
        if ignoreFansReq == True :
            if len(item_formatted) < 100:
                continue
        myfile.write(item_formatted)
        myfile.write('\r\n')
        print item_formatted
    myfile.close()

def main():
    urlTarget = "http://tieba.baidu.com/p/1234371208"
    localfileTarget = './xiaoshuo2.txt'
    fetch_tieba(url=urlTarget,localfile=localfileTarget,ignoreFansReq=True)

if __name__ == "__main__":
    main()

简单说明：
1 本人使用的开发环境是Windows 7 Ultimate 32bit + Python 2.7；依赖Beautiful Soup (地址) ，使用版本是BeautifulSoup-3.2.0；
2 fetch_tieba函数参数的含义：url，贴吧资源目标地址；localfile，保存到本地文件的路径；ignoreFansReq，忽略插楼、求粉等灌水信息（只是根据文字数判断，很简陋）；
3 代码具有时效性，如果百度贴吧的页面DOM发生改变，程序可能失效

摘自 ToddNet2012