分享給大家供大家參考，具體如下：Python3實現爬取指定百度貼吧頁面并保存頁面數據生成本地文檔的方法。分享給大家供大家參考，具體如下：
首先我們創建一個python文件, tieba.py，我們要完成的是，輸入指定百度貼吧名字與指定頁面范圍之后爬取頁面html代碼，我們首先觀察貼吧url的規律，比如：
百度貼吧LOL吧第一頁：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0
第二頁： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
第三頁： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100
發現規律了吧，貼吧中每個頁面不同之處，就是url最后的pn的值，其余的都是一樣的，我們可以抓住這個規律（kw表示貼吧名，采用url編碼）。
清楚了url規則，我們便可以利用urllib進行批量式數據爬取，代碼如下：
|
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 urllib2from urllib import parseimport randomdef loadPage(url, page): ''' 根據url獲取服務器響應文件 url:需要爬取的url ''' print('---------正在下載頁面%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 htmldef write(html, page): ''' 將html文件寫入本地 :param html: 服務器響應文件內容 :return: ''' data = html file_name = 'tieba{}.txt'.format(page) print('---------正在保存文件%s-------'%file_name) # 運用with open as語句使代碼更加簡潔 避免寫異常處理和文件關閉語句 with open(file_name,'w',encoding='utf-8') as file: file.write(data.decode()) print('---------success!---------')def tiebaSpider(url, kw, begin, end): ''' 爬取貼吧信息 ''' 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('請輸入爬取貼吧名:') beginPage = int(input('請輸入起始頁:')) endPage = int(input('請輸入結束頁:')) url = r'http://tieba.baidu.com/f?%s&pn=' tiebaSpider(url, kw, beginPage, endPage) |
控制臺結果如下：
請輸入爬取貼吧名:河南
請輸入起始頁:1
請輸入結束頁:3
---------正在下載頁面1-------
---------正在保存文件tieba1.txt-------
---------success!---------
---------正在下載頁面2-------
---------正在保存文件tieba2.txt-------
---------success!---------
---------正在下載頁面3-------
---------正在保存文件tieba3.txt-------
---------success!---------
Process finished with exit code 0
希望本文所述對大家Python程序設計有所幫助。
原文鏈接：https://blog.csdn.net/wangbowj123/article/details/79123789
