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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
|
# -*- coding:utf-8 -*-
from urllib import request as urllib2
from urllib import parse
import random
def loadPage(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; Intel Mac OS X 10.6; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
"Mozilla/5.0 (Windows NT 6.1; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
"Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"
]
header = random.choice(ua_list)
request = urllib2.Request(url)
request.add_header('User-Agent', header)
response = urllib2.urlopen(request)
html = response.read()
return html
def write(html, page):
'''
将html文件写入本地
:param html: 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with open as语句使代码更加简洁 避免写异常处理和文件关闭语句
with open(file_name,'w',encoding='utf-8') as file:
file.write(data.decode())
print('---------success!---------')
def tiebaSpider(url, kw, begin, end):
'''
爬取贴吧信息
'''
words = {
'kw':kw
}
kw = parse.urlencode(words)
url = url % (kw)
for page in range(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!---------
Process finished with exit code 0
希望本文所述对大家Python程序设计有所帮助。
原文链接：https://blog.csdn.net/wangbowj123/article/details/79123789