python爬取百度贴吧前1000页内容（requests库面向对象思想实现）
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
importrequests
classTiebaSpider(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(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/75.0.3770.100Safari/537.36',
}
defget_url_list(self):#构造url列表
#url_list=[]
#foriinrange(1000):
#url_list.append(self.url_temp.format(i*50))
#returnurl_list
return[self.url_temp.format(i*50)foriinrange(1000)]#列表推导式替换上面代码
defparse_url(self,url):#发送请求，获取响应
print(url)
response=requests.get(url,headers=self.headers)
returnresponse.content.decode()
defsave_html(self,html_str,page_num):#保存html字符串
file_path='{}-第{}页.html'.format(self.tieba_name,page_num)
withopen(file_path,'w',encoding='utf-8')asf:#样例：李毅-第一页.html
f.write(html_str)
defrun(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
forurlinurl_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()
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。