溫馨提示×

溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

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))

發(fā)布時間:2020-08-20 07:11:19 來源:腳本之家 閱讀:136 作者:springionic 欄目:開發(fā)技術(shù)

此程序以李毅吧為例子,以面向?qū)ο蟮脑O(shè)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(yīng)的參數(shù)pn,貼吧名字對應(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,因為要爬取1000頁,每頁需對應(yīng)一個url
    • 遍歷發(fā)送請求,獲取響應(yīng)
    • 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(yīng),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(yīng)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(dǎo)式替換上面代碼

  def parse_url(self, url): # 發(fā)送請求,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.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(yīng)
    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億速云。

向AI問一下細節(jié)

免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI