這篇文章主要介紹了python爬取百度貼吧前1000頁內容(requests庫面向對象思想實現),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
此程序以李毅吧爲例子,以面向對象的設計思想實現爬取保存網頁數據,暫時並未用到併發處理,以後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後的參數,找到分頁對應的參數pn,貼吧名字對應的參數kw
- 首先創建類,寫好__init__方法,run方法,__init__方法裏先可以直接寫pass
- run方法裏大概整理一下整體的思路
- 構造 url 列表,因爲要爬取1000頁,每頁需對應一個url
- 遍歷發送請求,獲取響應
- 保存
- 將可封裝的步驟封裝到單獨的方法,所以這裏又增加了三個方法
- get_url_list方法可以返回需要訪問的所有url的一個列表
- parse_url方法用來發送請求獲取響應,最終返回html頁面內容
- save_html方法用來保存html字符串
- run方法爲核心實現,將三個方法和用到的參數結合起來
- 每當有用到的參數,可以在__init__方法裏添加對應的實例屬性
- 最後,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爲要爬取貼吧的名稱 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)] # 列表推導式替換上面代碼 def parse_url(self, url): # 發送請求,獲取響應 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): # 實現主要邏輯 # 1.構造url列表 url_list = self.get_url_list() # 2.遍歷,發送請求,獲取響應 for url in url_list: html_str = self.parse_url(url) # 3.保存 page_num = url_list.index(url) + 1 # 頁碼數 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容,希望對大家的學習有所幫助,也希望大家多多支持神馬文庫。