Python3实现爬取指定百度贴吧页面并保存页面数据生成本地文档的方法
分享给大家供大家参考,具体如下:Python3实现爬取指定百度贴吧页面并保存页面数据生成本地文档的方法。分享给大家供大家参考,具体如下:
首先我们创建一个python文件,tieba.py,我们要完成的是,输入指定百度贴吧名字与指定页面范围之后爬取页面html代码,我们首先观察贴吧url的规律,比如:
百度贴吧LOL吧第一页:http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0
第二页:http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
第三页:http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100
发现规律了吧,贴吧中每个页面不同之处,就是url最后的pn的值,其余的都是一样的,我们可以抓住这个规律(kw表示贴吧名,采用url编码)。
清楚了url规则,我们便可以利用urllib进行批量式数据爬取,代码如下:
#-*-coding:utf-8-*- fromurllibimportrequestasurllib2 fromurllibimportparse importrandom defloadPage(url,page): ''' 根据url获取服务器响应文件 url:需要爬取的url ''' print('---------正在下载页面%d-------'%page) ua_list=[ "Mozilla/5.0(Macintosh;IntelMacOSX10.6;rv2.0.1)Gecko/20100101Firefox/4.0.1", "Mozilla/5.0(WindowsNT6.1;rv2.0.1)Gecko/20100101Firefox/4.0.1", "Opera/9.80(Macintosh;IntelMacOSX10.6.8;U;en)Presto/2.8.131Version/11.11", "Opera/9.80(WindowsNT6.1;U;en)Presto/2.8.131Version/11.11", "Mozilla/5.0(Macintosh;IntelMacOSX10_7_0)AppleWebKit/535.11(KHTML,likeGecko)Chrome/17.0.963.56Safari/535.11" ] header=random.choice(ua_list) request=urllib2.Request(url) request.add_header('User-Agent',header) response=urllib2.urlopen(request) html=response.read() returnhtml defwrite(html,page): ''' 将html文件写入本地 :paramhtml:服务器响应文件内容 :return: ''' data=html file_name='tieba{}.txt'.format(page) print('---------正在保存文件%s-------'%file_name) #运用withopenas语句使代码更加简洁避免写异常处理和文件关闭语句 withopen(file_name,'w',encoding='utf-8')asfile: file.write(data.decode()) print('---------success!---------') deftiebaSpider(url,kw,begin,end): ''' 爬取贴吧信息 ''' words={ 'kw':kw } kw=parse.urlencode(words) url=url%(kw) forpageinrange(begin,end+1): pn=((page-1)*50) ful_url=url+str(pn) html=loadPage(url,page) write(html,page) if__name__=='__main__': kw=input('请输入爬取贴吧名:') beginPage=int(input('请输入起始页:')) endPage=int(input('请输入结束页:')) url=r'http://tieba.baidu.com/f?%s&pn=' tiebaSpider(url,kw,beginPage,endPage)
控制台结果如下:
请输入爬取贴吧名:河南
请输入起始页:1
请输入结束页:3
---------正在下载页面1-------
---------正在保存文件tieba1.txt-------
---------success!---------
---------正在下载页面2-------
---------正在保存文件tieba2.txt-------
---------success!---------
---------正在下载页面3-------
---------正在保存文件tieba3.txt-------
---------success!---------
Processfinishedwithexitcode0
更多关于Python相关内容可查看本站专题:《PythonSocket编程技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。