python爬取百度貼吧前1000頁內(nèi)容（requests庫面向?qū)ο笏枷雽崿F(xiàn)）

更新時間：2019年08月10日 14:49:25 作者：springionic

這篇文章主要介紹了python爬取百度貼吧前1000頁內(nèi)容（requests庫面向?qū)ο笏枷雽崿F(xiàn)）,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

此程序以李毅吧為例子，以面向?qū)ο蟮脑O計思想實現(xiàn)爬取保存網(wǎng)頁數(shù)據(jù)，暫時并未用到并發(fā)處理，以后有機會的話會加以改善

首先去百度貼吧分析貼吧地址欄中url后的參數(shù)，找到分頁對應的參數(shù)pn，貼吧名字對應的參數(shù)kw
首先創(chuàng)建類，寫好__init__方法，run方法，__init__方法里先可以直接寫pass
run方法里大概整理一下整體的思路
- 構(gòu)造 url 列表，因為要爬取1000頁，每頁需對應一個url
- 遍歷發(fā)送請求，獲取響應
- 保存　　
將可封裝的步驟封裝到單獨的方法，所以這里又增加了三個方法
- get_url_list方法可以返回需要訪問的所有url的一個列表
- parse_url方法用來發(fā)送請求獲取響應，最終返回html頁面內(nèi)容
- save_html方法用來保存html字符串
- run方法為核心實現(xiàn)，將三個方法和用到的參數(shù)結(jié)合起來
每當有用到的參數(shù)，可以在__init__方法里添加對應的實例屬性
最后，實例化類，測試，會不斷的向當前目錄保存html文件

import requests


class TiebaSpider(object):
  def __init__(self, tieba_name): # tieba_name為要爬取貼吧的名稱
    self.tieba_name = tieba_name
    self.url_temp = 'https://tieba.baidu.com/f?kw=' + tieba_name + '&ie=utf-8&pn={}'
    self.headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
    }

  def get_url_list(self): # 構(gòu)造url列表
    # url_list = []
    # for i in range(1000):
    #   url_list.append(self.url_temp.format(i * 50))
    # return url_list
    return [self.url_temp.format(i*50) for i in range(1000)] # 列表推導式替換上面代碼

  def parse_url(self, url): # 發(fā)送請求，獲取響應
    print(url)
    response = requests.get(url, headers=self.headers)
    return response.content.decode()

  def save_html(self, html_str, page_num): # 保存html字符串
    file_path = '{}-第{}頁.html'.format(self.tieba_name, page_num)
    with open(file_path, 'w', encoding='utf-8') as f: # 樣例： 李毅-第一頁.html
      f.write(html_str)

  def run(self): # 實現(xiàn)主要邏輯
    # 1.構(gòu)造url列表
    url_list = self.get_url_list()
    # 2.遍歷，發(fā)送請求，獲取響應
    for url in url_list:
      html_str = self.parse_url(url)
      # 3.保存
      page_num = url_list.index(url) + 1 # 頁碼數(shù)
      self.save_html(html_str, page_num)


if __name__ == '__main__':
  tieba_spider = TiebaSpider('李毅')
  tieba_spider.run()

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: