python3爬取指定百度贴吧页面并保存成本地文档（批量爬取贴吧页面数据）

淡淡的烟草味﹌ 2022-06-01 05:38 321阅读 0赞

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][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][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][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

[http_tieba.baidu.com_f_kw_lol_ie_utf-8_pn_0]: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0
[http_tieba.baidu.com_f_kw_lol_ie_utf-8_pn_50]: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
[http_tieba.baidu.com_f_kw_lol_ie_utf-8_pn_100]: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100