标签：
一个简单的百度贴吧爬虫程序：
代码：
# -*- coding: utf-8 -*-
#---------------------------------------
# 程序：百度贴吧爬虫
# 语言：Python 2.7
# 操作：输入带分页的地址，去掉最后面的数字，设置一下起始页数和终点页数。
# 功能：下载对应页码内的所有页面并存储为html文件。
#---------------------------------------
import string, urllib2
#定义百度函数
def baidu_tieba(url,begin_page,end_page):
for i in range(begin_page, end_page+1):
sName = string.zfill(i,5) + ‘.html‘#自动填充成六位的文件名
print ‘正在下载第‘ + str(i) + ‘个网页，并将其存储为‘ + sName + ‘......‘
f = open(sName,‘w+‘)
m = urllib2.urlopen(url + str(i)).read()
f.write(m)
f.close()
#-------- 在这里输入参数 ------------------
bdurl = str(raw_input(u‘请输入贴吧的地址，去掉pn=后面的数字：\n‘))
begin_page = int(raw_input(u‘请输入开始的页数：\n‘))
end_page = int(raw_input(u‘请输入终点的页数：\n‘))
#-------- 在这里输入参数 ------------------
#调用
baidu_tieba(bdurl,begin_page,end_page)
学习笔记：
定义一个百度函数，这个函数可以将你所要爬虫的贴吧网页保存到本地。
函数三个参数：
url,begin_page,end_page
url：贴吧主页
urlbegin_page和end_page：你所要爬下来的开始和结束页数
i 循环数 从开始页数到结束页数
sName为保存到本地的文件名
string.zfill(i,5)保证文件名为6位数字
sName = string.zfill(i,5) + ‘.html‘#自动填充成六位的文件名 string.zfill(i,5)的意思是以i命名然后填充到5位 不足的部分补0 例如 string.zfill(3,5) 的命名是00003
html为文件后缀
str(i) 将 i 变成字符串 因为i 本来是int型
然后将m写入f 这个文件，m内容就是urllib2用urlopen打开你所要爬下来的网页，当然是html格式...
写入 关闭这一个， 然后写下一个网页直到 你所要结束的页数。
bdurl = str(raw_input(u‘请输入贴吧的地址，去掉pn=后面的数字：\n‘))
begin_page = int(raw_input(u‘请输入开始的页数：\n‘))
end_page = int(raw_input(u‘请输入终点的页数：\n‘))
这三行代码就是在运行时要你自己输入的东西 ..
最后就是调用啦~附个图
我是用pycharm来运行的。
标签：
原文地址：http://www.cnblogs.com/IrisLee/p/5803674.html
