爬取百度贴吧内某吧指定页数的html页面
首先创建文件夹tieba,代码使用面向对象的思想进行封装,测试爬取的页数为前10页,
代码如下:
import requests
import time
import threading
class TieBa(object):
def __init__(self):
self.name=input('请输入贴吧名字:')
self.start_page=int(input('请输入开始页数:'))
self.end_page=int(input('请输入结束页数:'))
self.url='https://tieba.baidu.com/f'
self.headers={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko"}
#发送请求
def send_request(self,tieba_params):
res=requests.get(self.url,headers=self.headers,params=tieba_params)
data=res.content
return data
#保存数据
def save_data(self,data,page):
file_path='tieba/'+ str(page) +'.html'
print('正在抓取第{}页...'.format(page))
with open(file_path,'wb') as f:
f.write(data)
#运行
def run(self):
self.start_time=time.clock()
for page in range(self.start_page,self.end_page+1):
tieba_params={
'kw':self.name,
'pn':(page-1)*50
}
#1.发送请求
data=self.send_request(tieba_params)
#2.保存数据
self.save_data(data,page)
self.end_time = time.clock()
self.time=self.end_time-self.start_time
print('程序执行的时间为:%s s'%self.time)
if __name__ == '__main__':
tieba=TieBa()
t1=threading.Thread(target=tieba.run)
t1.start()
length = len(threading.enumerate()) # threading.enumerate()可以获取当前运行的线程数
print("当前运行的线程数为:%d" % length)
运行结果如下:
然后打开pycharm终端,cd tieba 进入该文件夹下,使用xdg-open 1.html打开爬取到的第一页html内容(虚拟机中安装了浏览器):