Python爬虫之简单的爬取百度贴吧数据 - 小巩的python笔记

Python爬虫之简单的爬取百度贴吧数据

首先要使用的第类库有 urllib下的request  以及urllib下的parse  以及 time包  random包

之后我们定义一个名叫BaiduSpider类用来爬取信息

 

属性有 url:用来爬取的网址             headers:请求头

class BaiduSpider(object):
    def __init__(self):
        self.url = \'http://tieba.baidu.com/f?kw={}&pn={}\'
        self.headers = {\'User-Agent\':\'Win7:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1\'}

 

之后我们定义三个方法   不涉及清洗数据

获取页面

1 #获取页面
2     def get_page(self,url):
3         #定义请求对象
4         req = request.Request(url=url,headers=self.headers)
5         #发起请求
6         res = request.urlopen(req)
7         #获取相应对象
8         html = res.read().decode(\'utf-8\', \'ignore\')
9         return html

保存数据

#保存数据
    def write_page(self,filename,html):
        #将数据保存到本地
        with open(filename,\'w\',encoding=\'utf-8\') as f:
            f.write(html)

主函数

#主函数
    def main(self):
        name = input(\'请输入贴吧名:>>>>\')
        start = int(input(\'请输入起始页\'))
        end = int(input(\'请输入终止页\'))
        for page in range(start,end+1):
            #拼接URL地址 \'http://tieba.baidu.com/f?kw{}&pn={}\'
            #进行编码 将中文字符编码为url地址编码
            kw = parse.quote(name)
            #获取当前页数
            pn = (page-1)*50
            #进行url地址的拼接
            url = self.url.format(kw,pn)
            #获取相应
            html = self.get_page(url)
            filename = \'{}-第{}页.html\'.format(name,page)
            self.write_page(filename,html)
            #提示
            print(\'第{}页爬取成功\'.format(page))
            #控制爬取速度
            time.sleep(random.randint(1,3))

 

最后 所有的代码展示如下

#导入模块
from urllib import request,parse
import time
import random

class BaiduSpider(object):
    def __init__(self):
        self.url = \'http://tieba.baidu.com/f?kw={}&pn={}\'
        self.headers = {\'User-Agent\':\'Win7:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1\'}

    #获取页面
    def get_page(self,url):
        #定义请求对象
        req = request.Request(url=url,headers=self.headers)
        #发起请求
        res = request.urlopen(req)
        #获取相应对象
        html = res.read().decode(\'utf-8\', \'ignore\')
        return html


    #解析数据
    def parse_page(self):
        pass

    #保存数据
    def write_page(self,filename,html):
        #将数据保存到本地
        with open(filename,\'w\',encoding=\'utf-8\') as f:
            f.write(html)

    #主函数
    def main(self):
        name = input(\'请输入贴吧名:>>>>\')
        start = int(input(\'请输入起始页\'))
        end = int(input(\'请输入终止页\'))
        for page in range(start,end+1):
            #拼接URL地址 \'http://tieba.baidu.com/f?kw{}&pn={}\'
            #进行编码 将中文字符编码为url地址编码
            kw = parse.quote(name)
            #获取当前页数
            pn = (page-1)*50
            #进行url地址的拼接
            url = self.url.format(kw,pn)
            #获取相应
            html = self.get_page(url)
            filename = \'{}-第{}页.html\'.format(name,page)
            self.write_page(filename,html)
            #提示
            print(\'第{}页爬取成功\'.format(page))
            #控制爬取速度
            time.sleep(random.randint(1,3))

if __name__ == \'__main__\':
    spider = BaiduSpider()
    spider.main()

一个非常非常简单的爬虫就完成了 让我们看一下运行效果截图:

 

 

 

 html文件打开后 与我们正常打开的网页并没有太大的差别