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：Python3实现爬取指定百度贴吧页面并保存页面数据生成

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：

# -*- 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