Python3實現爬取指定百度貼吧頁面并保存頁面數據生成本地文檔的

2020-02-22 23:48:52

字體：大中小

來源：轉載

供稿：網友

分享給大家供大家參考，具體如下：Python3實現爬取指定百度貼吧頁面并保存頁面數據生成本地文檔的方法。分享給大家供大家參考，具體如下：

首先我們創建一個python文件, tieba.py，我們要完成的是，輸入指定百度貼吧名字與指定頁面范圍之后爬取頁面html代碼，我們首先觀察貼吧url的規律，比如：

百度貼吧LOL吧第一頁：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

第二頁： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50

第三頁： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

發現規律了吧，貼吧中每個頁面不同之處，就是url最后的pn的值，其余的都是一樣的，我們可以抓住這個規律（kw表示貼吧名，采用url編碼）。

清楚了url規則，我們便可以利用urllib進行批量式數據爬取，代碼如下：

# -*- coding:utf-8 -*-from urllib import request as urllib2from urllib import parseimport randomdef loadPage(url, page):  '''  根據url獲取服務器響應文件  url:需要爬取的url  '''  print('---------正在下載頁面%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 htmldef write(html, page):  '''  將html文件寫入本地  :param html: 服務器響應文件內容  :return:  '''  data = html  file_name = 'tieba{}.txt'.format(page)  print('---------正在保存文件%s-------'%file_name)  # 運用with open as語句使代碼更加簡潔 避免寫異常處理和文件關閉語句  with open(file_name,'w',encoding='utf-8') as file:    file.write(data.decode())  print('---------success!---------')def tiebaSpider(url, kw, begin, end):  '''  爬取貼吧信息  '''  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('請輸入爬取貼吧名:')  beginPage = int(input('請輸入起始頁:'))  endPage = int(input('請輸入結束頁:'))  url = r'http://tieba.baidu.com/f?%s&pn='  tiebaSpider(url, kw, beginPage, endPage)

控制臺結果如下：