Python3实现爬取指定百度贴吧页面并保存页面数据生成本地文档的方法


            分享给大家供大家参考，具体如下：Python3实现爬取指定百度贴吧页面并保存页面数据生成本地文档的方法。分享给大家供大家参考，具体如下：

首先我们创建一个python文件, tieba.py，我们要完成的是，输入指定百度贴吧名字与指定页面范围之后爬取页面html代码，我们首先观察贴吧url的规律，比如：

百度贴吧LOL吧第一页：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

第二页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50

第三页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

发现规律了吧，贴吧中每个页面不同之处，就是url最后的pn的值，其余的都是一样的，我们可以抓住这个规律（kw表示贴吧名，采用url编码）。

清楚了url规则，我们便可以利用urllib进行批量式数据爬取，代码如下：





# -*- coding:utf-8 -*-

from urllib import request as urllib2

from urllib import parse

import random

def loadPage(url, page):

  '''

  根据url获取服务器响应文件

  url:需要爬取的url

  '''

  print('---------正在下载页面%d-------' % page)

  ua_list = [

    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv2.0.1) Gecko/20100101 Firefox/4.0.1",

    "Mozilla/5.0 (Windows NT 6.1; rv2.0.1) Gecko/20100101 Firefox/4.0.1",

    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",

    "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",

    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"

  ]

  header = random.choice(ua_list)

  request = urllib2.Request(url)

  request.add_header('User-Agent', header)

  response = urllib2.urlopen(request)

  html = response.read()

  return html

def write(html, page):

  '''

  将html文件写入本地

  :param html: 服务器响应文件内容

  :return:

  '''

  data = html

  file_name = 'tieba{}.txt'.format(page)

  print('---------正在保存文件%s-------'%file_name)

  # 运用with open as语句使代码更加简洁 避免写异常处理和文件关闭语句

  with open(file_name,'w',encoding='utf-8') as file:

    file.write(data.decode())

  print('---------success!---------')

def tiebaSpider(url, kw, begin, end):

  '''

  爬取贴吧信息

  '''

  words = {

    'kw':kw

  }

  kw = parse.urlencode(words)

  url = url % (kw)

  for page in range(begin, end + 1):

    pn = ((page-1)*50)

    ful_url = url + str(pn)

    html = loadPage(url, page)

    write(html, page)

if __name__ == '__main__':

  kw = input('请输入爬取贴吧名:')

  beginPage = int(input('请输入起始页:'))

  endPage = int(input('请输入结束页:'))

  url = r'http://tieba.baidu.com/f?%s&pn='

  tiebaSpider(url, kw, beginPage, endPage)







控制台结果如下：



请输入爬取贴吧名:河南

请输入起始页:1

请输入结束页:3

---------正在下载页面1-------

---------正在保存文件tieba1.txt-------

---------success!---------

---------正在下载页面2-------

---------正在保存文件tieba2.txt-------

---------success!---------

---------正在下载页面3-------

---------正在保存文件tieba3.txt-------

---------success!---------

Process finished with exit code 0



更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。