Python爬虫实践 —— 2.百度贴吧html文件爬取

51zxw 的 python爬虫实践课程中，第二章末尾有一个简单的爬取demo。

输入贴吧名和初始结束页码，获取对应的百度贴吧html文件。

老师写的demo有点随意，我这边把拼接url分了两个函数，面向对象重写了下，自己下来会好好对比再体会下面对对象和面对过程。

 

# SpiderT面对对象实现
from urllib import request
from urllib import parse
import time


class SpiderT:                                    #封装成类，调用时实例化即可

    def __init__(self, keyword, begin, end):      #初始化
        self.keyword = keyword
        self.begin = begin
        self.end = end

    def getUrl(self):                             #解码kw拼接百度贴吧网址，获得部分url，剩余的pn页码url是动态生成的

        key = parse.urlencode({"kw": self.keyword})
        _url = "http://tieba.baidu.com/f?"
        part_url = _url + key
        return part_url

    def loadPage(self, url, filename):             #爬取函数，仅用了一个header，未设置ip池和proxy，创建request对象而不是直接urlopen

        print("正在下载 " + filename)
        headers = {"User-Agent": "Mozilla/5.0 (Linux; U; Android 8.1.0; zh-cn; BLA-AL00 Build/HUAWEIBLA-AL00) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/57.0.2987.132 MQQBrowser/8.9 Mobile Safari/537.36"}

        req = request.Request(url, headers = headers)
        return request.urlopen(req).read()

    def writePage(self, html, filename):           #保存html文件函数，i/o流也该复习复习了

        print("正在保存 " + filename)
        #文件写入
        with open(filename, "wb") as f:
            f.write(html)
        print("--------------------------------")

    def tiebaSpider(self):                          #爬虫主函数，动态调用load和write函数
                                                    #for循环实现页码数内遍历
        for page in range(self.begin, self.end + 1):
            pn = (page - 1) * 50
            filename = "c:/第" + str(page) + "页.html"
            url = SpiderT.getUrl(self) + "&pn=" + str(pn)  #获取完整地址
            print(url)
            html = SpiderT.loadPage(self, url, filename)  # 调用爬虫，爬取网页
            SpiderT.writePage(self, html, filename)  # 把获取到的网页信息写入本地


if __name__ == '__main__':

    i = SpiderT("绝地求生", 1, 30)    #实例化SpiderT，爬取绝地求生贴吧 1到30 页码的html文件，应该设置爬取间隔的，不然容易挂ip
    i.tiebaSpider()
    time.sleep(2)

运行完之后

sublime打开验证一下是不是爬取的绝地求生贴吧

ok，bingo，现在完成了 小小爬虫的第一步，获取html/目标文件。

接下来，就是结合目标，添加get/post请求，再加上正则表达式提取数据，数据库存储数据了，是不是很简单啊，想想还有些小兴奋呢  ( i ^-^ i )