Python爬虫之简单的爬取百度贴吧数据

时间：2019-10-03 21:55:36 阅读：98 评论：0 收藏：0 [点我收藏+]

标签：span with open 效果 class gen art ret 贴吧请求头

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()