python爬取百度贴吧前1000页内容(requests库面向对象思想实现)
人气:0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 requests class 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()
您可能感兴趣的文章:
加载全部内容