快捷導(dǎo)航

python爬取百度貼吧前1000頁(yè)內(nèi)容（requests庫(kù)面向?qū)ο笏枷雽?shí)現(xiàn)）

更新時(shí)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(yè)內(nèi)容（requests庫(kù)面向?qū)ο笏枷雽?shí)現(xiàn)）,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)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(shè)計(jì)思想實(shí)現(xiàn)爬取保存網(wǎng)頁(yè)數(shù)據(jù)，暫時(shí)并未用到并發(fā)處理，以后有機(jī)會(huì)的話會(huì)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(yè)對(duì)應(yīng)的參數(shù)pn，貼吧名字對(duì)應(yīng)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?yàn)橐廊?000頁(yè)，每頁(yè)需對(duì)應(yīng)一個(gè)url
- 遍歷發(fā)送請(qǐng)求，獲取響應(yīng)
- 保存　　
將可封裝的步驟封裝到單獨(dú)的方法，所以這里又增加了三個(gè)方法
- get_url_list方法可以返回需要訪問(wèn)的所有url的一個(gè)列表
- parse_url方法用來(lái)發(fā)送請(qǐng)求獲取響應(yīng)，最終返回html頁(yè)面內(nèi)容
- save_html方法用來(lái)保存html字符串
- run方法為核心實(shí)現(xiàn)，將三個(gè)方法和用到的參數(shù)結(jié)合起來(lái)
每當(dāng)有用到的參數(shù)，可以在__init__方法里添加對(duì)應(yīng)的實(shí)例屬性
最后，實(shí)例化類，測(cè)試，會(huì)不斷的向當(dāng)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(dǎo)式替換上面代碼

  def parse_url(self, url): # 發(fā)送請(qǐng)求，獲取響應(yīng)
    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(yè).html'.format(self.tieba_name, page_num)
    with open(file_path, 'w', encoding='utf-8') as f: # 樣例： 李毅-第一頁(yè).html
      f.write(html_str)

  def run(self): # 實(shí)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(qǐng)求，獲取響應(yīng)
    for url in url_list:
      html_str = self.parse_url(url)
      # 3.保存
      page_num = url_list.index(url) + 1 # 頁(yè)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?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)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: