同样是参考网上教程，编写爬取贴吧帖子的内容，同时把爬取的帖子保存到本地文档：

#!/usr/bin/python

#_*_coding:utf-8_*_

import urllib

import urllib2

import re

import sys

reload(sys)

sys.setdefaultencoding("utf-8")

#处理页面标签,去除图片、超链接、换行符等

class Tool:

#去除img标签，7位长空格

removeImg = re.compile('| {7}|')

#删除超链接标签

removeAddr = re.compile('|')

#把换行的标签替换为\n

replaceLine = re.compile('

|

|')

#把表格制表

替换为\t

replaceTD = re.compile('

')

#把段落开头换为\n加两个空格

replacePara = re.compile('

')

#把换行符或双换行符替换为\n

replaceBR = re.compile('
|
')

#将其余标签剔除

removeET = re.compile('<.>')

#去除匹配到Tool

def replace(self,x):

x = re.sub(self.removeImg,"",x)

x = re.sub(self.removeAddr,"",x)

#x = re.sub(self.replaceLine,"\n",x)

#x = re.sub(self.replaceTD,"\t",x)

#x = re.sub(self.replacePara,"\n ",x)

#x = re.sub(self.replaceBR,"\n",x)

x = re.sub(self.removeET,"",x)

#strip()将前后多余内容删除

return x.strip().encode('utf-8')

#百度贴吧爬虫练习

class BDTB:

#初始化，传入地址，是否只看楼主的参数

def __init__(self,baseUrl,seeLz,floorTag):

#base链接地址

self.baseURL = baseUrl

#是否只看楼主

self.seeLZ = '?seelz=' + str(seeLz)

#HTML剔除标签工具Tool

self.tool = Tool()

#全局file变量，文件写入操作对象

self.file = None

#楼层标识，初始化为1

self.floor = 1

#默认的标题，如果没有成功获取到标题的话则会用这个标题

self.defaultTitle = u"百度贴吧"

#是否写入楼分隔符的标记

self.floorTag = floorTag

#传入页码，获取该页帖子的代码

def getPage(self,pageNum):

try:

url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)

tbPage = response.read().decode('utf-8')

#print tbPage

return tbPage

#链接报错的原因

except urllib2.URLError, e:

if hasattr(e,"reason"):

print u'链接百度贴吧失败，错误原因：',e.reason

return None

#获取帖子标题

def getTitle(self,page):

page = self.getPage(1)

#正则匹配贴吧标题

pattern = re.compile('

.*?(.*?)',re.S)

result = re.search(pattern,page)

if result:

#输出页码数

#print result.group(1)

return result.group(1).strip()

else:

print None

#获取帖子每一个楼层的内容

def getContent(self,page):

#正则匹配每一个楼层的内容

pattern = re.compile('