python爬取百度贴吧前1000页内容（requests库面向对象思想实现）

Python  /  管理员 发布于 7年前   217

此程序以李毅吧为例子，以面向对象的设计思想实现爬取保存网页数据，暂时并未用到并发处理，以后有机会的话会加以改善

• 首先去百度贴吧分析贴吧地址栏中url后的参数，找到分页对应的参数pn，贴吧名字对应的参数kw
• 首先创建类，写好__init__方法，run方法，__init__方法里先可以直接写pass
• run方法里大概整理一下整体的思路
  • 构造 url 列表，因为要爬取1000页，每页需对应一个url
  • 遍历发送请求，获取响应
  • 保存　　
• 将可封装的步骤封装到单独的方法，所以这里又增加了三个方法
  • get_url_list方法可以返回需要访问的所有url的一个列表
  • parse_url方法用来发送请求获取响应，最终返回html页面内容
  • save_html方法用来保存html字符串
  • run方法为核心实现，将三个方法和用到的参数结合起来
• 每当有用到的参数，可以在__init__方法里添加对应的实例属性
• 最后，实例化类，测试，会不断的向当前目录保存html文件

import requestsclass TiebaSpider(object):  def __init__(self, tieba_name): # tieba_name为要爬取贴吧的名称    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): # 构造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)] # 列表推导式替换上面代码  def parse_url(self, url): # 发送请求，获取响应    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{}页.html'.format(self.tieba_name, page_num)    with open(file_path, 'w', encoding='utf-8') as f: # 样例： 李毅-第一页.html      f.write(html_str)  def run(self): # 实现主要逻辑    # 1.构造url列表    url_list = self.get_url_list()    # 2.遍历，发送请求，获取响应    for url in url_list:      html_str = self.parse_url(url)      # 3.保存      page_num = url_list.index(url) + 1 # 页码数      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内容，希望对大家的学习有所帮助，也希望大家多多支持。