此程序以李毅吧為例子，以面向對象的設計思想實現爬取保存網頁數據，暫時并未用到并發處理，以后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后的參數，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__方法里先可以直接寫pass
-
run方法里大概整理一下整體的思路
- 構造 url 列表，因為要爬取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，所以這里又增加了三個方法
- 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方法為核心實現，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__方法里添加對應的實例屬性
- 最后，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為要爬取貼吧的名稱
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腳本之家。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
