爬虫requests库之爬虫贴吧

最新推荐文章于 2024-07-24 10:38:58 发布

weixin_30650859

最新推荐文章于 2024-07-24 10:38:58 发布

阅读量254

点赞数

文章标签：爬虫

原文链接：http://www.cnblogs.com/djw12333/p/11411219.html

版权

　　首先要观察爬虫的URL规律，爬取一个贴吧所有页的数据，观察点击下一页时URL是如何变化的。

　　思路：

　　定义一个类，初始化方法什么都不用管

　　定义一个run方法，用来实现主要逻辑

　　3 class TiebaSpider():

　　4 def __init__(self):

　　5 pass

　　8 def run(self): # 实现主要逻辑

　　9 # 1、构造url列表

　　10 # 2、遍历列表发送请求，获取响应

　　11 # 3、保存html页面到本地

　　思路：

　　观察要爬取的贴吧URL规律：转化URL，https://tieba.baidu.com/f?kw=李毅&ie=utf-8&pn=0 如果第一页看不出规律，点下一页观察，然后再回到第一页，第一页再次出现的URL会与最开始有所不同。

　　第一页pn=0,每次点击下一页，pn就会+50

　　把url_temp放到init方法中，会变化的地方pn先用大括号占位，还有贴吧名称会变化，后面需要传递参数过来，所以init方法中还需要写个形参tieba_name，这个参数是通过最下方的if name ==“main”:来传递的

　　self.url_temp = “https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}”

　　3 class TiebaSpider():

　　4 def __init__(self,tieba_name):

　　5 self.url_temp = "https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}"

　　15 def run(self): # 实现主要逻辑

　　16 # 1、构造url列表

　　17 # 2、遍历列表发送请求，获取响应

　　18 # 3、保存html页面到本地

　　21 if __name__ == "__main__":

　　22 tieba_spider = TiebaSpider("李毅")

　　思路：

　　run方法中的逻辑框架搭建完成后，分别对每个步骤再定义一个方法

　　构造url列表，定义一个get_url_list方法，利用for循环，然后用return返回循环完成的列表，return是在for循环体外。构造完之后在run方法中调用一下get_url_list，就得到了一个url列表。

　　接下来完成run方法中的第二步，遍历列表发送请求，获取响应。for url in url_list:

　　遍历列表用for循环，发送请求获取响应也可以定义一个方法，然后放到for循环体内。

　　3 class TiebaSpider():

　　4 def __init__(self,tieba_name):

　　5 self.url_temp = "https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}"

　　8 def get_url_list(self):

　　9 """构造url列表,获取贴吧1-1000页的内容"""

　　10 url_list = []

　　11 for i in range (1000):

　　12 url_list.append(self.url_temp.format(i*50))

　　13 return url_list

　　19 def run(self): # 实现主要逻辑

　　20 # 1、构造url列表

　　21 url_list = self.get_url_list()

　　22 # 2、遍历列表发送请求，获取响应

　　23 for url in url_list:

　　25 # 3、保存html页面到本地

　　28 if __name__ == "__main__":

　　29 tieba_spider = TiebaSpider("李毅")

　　思路：

　　去定义run方法中第二步的一个方法def parse_url(self):用来发送请求获取响应。

　　定义的所有方法中，都默认带一个self参数，如果还需要传递其它参数，就继续放进去

　　response = requests.get(url,headers=)用来获取响应，此时用到了requests,需要导入模块，还用到了url变量，需要传递过来，所以要在def parse_url(self)中传递一个形参url，变成def parse_url(self,url)，此时还用到一个headers,可以定义一个字典headers并给它赋值，值可以通过进入贴吧右击检查从Network-Name-Headers-Request Headers中获取，只需赋值User-Agent键值对即可，然后加双引号构造成字典。headers字典变量可以放在定义的def parse_url(self,url)方法上方，也可以放在 def init(self,tieba_name)方法内，放在init方法内需要写成self.headers=字典。然后return response.content.decode()返回响应的字符串。

　　然后在run方法中调用def parse_url(self,url)函数，调用时方法前加self，同时传递url参数进去，用变量html_str接收。

　　1 import requests

　　3 class TiebaSpider():

　　4 def __init__(self,tieba_name):

　　5 self.url_temp = "https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}"

　　6 self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36"}

　　8 def get_url_list(self):

　　9 """构造url列表,获取贴吧1-1000页的内容"""

　　10 url_list = []

　　11 for i in range (1000):

　　12 url_list.append(self.url_temp.format(i*50))

　　13 return url_list

　　16 def parse_url(self,url):

　　17 response = requests.get(url,headers=self.headers)

　　18 return response.content.decode()

　　21 def run(self): # 实现主要逻辑

　　22 # 1、构造url列表

　　23 url_list = self.get_url_list()

　　24 # 2、遍历列表发送请求，获取响应

　　25 for url in url_list:

　　26 html_str = self.parse_url(url)

　　27 # 3、保存html页面到本地

　　30 if __name__ == "__main__":

　　31 tieba_spider = TiebaSpider("李毅")

　　思路：

　　完成第三步，保存，定义一个save_html()方法

　　with open("","") as f: 第一个参数是位置，第二个是写入方法。

　　对保存的html进行格式化，“李毅-第1页”，李毅和X页都是会变化的，设置一个变量：file_path = “{}-第{}页.html”.format()，format中需要传递两个参数，第一个参数不能直接用tieba_name或者self.tieba_name，因为self没有tieba_name，self是TiebaSpider的一个实例，所以去init中定义一个self.tieba_name = tieba_name,此时，format中的第一个参数就可以写self.tieba_name了。format还需要第二个参数，所以给save_html()传递一个page_num参数。然后再f.write(html_str),把上一步获取的html_str写进去就可以了。

　　注意，open()中的第一个参数file_path不加引号，write()中的参数html_str没有引号。

　　1 import requests

　　3 class TiebaSpider():

　　4 def __init__(self,tieba_name):

　　5 self.tieba_name = tieba_name

　　6 self.url_temp = "https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}"

　　7 self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36"}

　　9 def get_url_list(self):

　　10 """构造url列表,获取贴吧1-1000页的内容"""

　　11 url_list = []

　　12 for i in range (1000):

　　13 url_list.append(self.url_temp.format(i*50))

　　14 return url_list

　　17 def parse_url(self,url):

　　18 response = requests.get(url,headers=self.headers)

　　19 return response.content.decode()

　　22 def save_html(self,html_str,page_num):

　　23 """保存html字符串"""

　　24 file_path = "{}-第{}页".format(self.tieba_name,page_num)

　　25 with open (file_path,"w") as f: # "李毅吧-第1页"做成格式化

　　26 f.write(html_str)

　　30 def run(self): # 实现主要逻辑

　　31 # 1、构造url列表

　　32 url_list = self.get_url_list()

　　33 # 2、遍历列表发送请求，获取响应

　　34 for url in url_list:

　　35 html_str = self.parse_url(url)

　　36 # 3、保存html页面到本地

　　39 if __name__ == "__main__":

　　40 tieba_spider = TiebaSpider("李毅")

　　思路：

　　接下来在run中调用刚才定义的save_html方法，run中的第三步保存html页面到本地也应放在for循环体内。

　　调用save_html时需要传递两个参数，因为save_html方法中用到了，所以这里需要传递过去。一个是html_str，这个是上一步得到的，已经有了，可以直接传，还有一个page_num，这个还没有，需要现在定义，page_num = url_list.index(url)+1,页码数就是当前url在url列表中的地址，但因为列表的地址是从0开始的，也就是说第一个url的位置是0，所以后面要加1.

　　接下来就可以调用run方法了，此处的run方法相当于之前学习定义的main函数，只是换了一个名字而已。

　　1 import requests

　　3 class TiebaSpider():

　　4 def __init__(self,tieba_name):

　　5 self.tieba_name = tieba_name

　　6 self.url_temp = "https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}"

　　7 self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36"}

　　9 def get_url_list(self):

　　10 """构造url列表,获取贴吧1-1000页的内容"""

　　11 url_list = []

　　12 for i in range (1000):

　　13 url_list.append(self.url_temp.format(i*50))

　　14 return url_list

　　17 def parse_url(self,url):

　　18 print(url)

　　19 response = requests.get(url,headers=self.headers)

　　20 return response.content.decode()

　　23 def save_html(self,html_str,page_num):

　　24 """保存html字符串"""

　　25 file_path = "{}-第{}页.html".format(self.tieba_name,page_num)

　　26 with open (file_path,"w",encoding="utf-8") as f: # "李毅吧-第1页"做成格式化

　　27 f.write(html_str)

　　31 def run(self): # 实现主要逻辑

　　32 # 1、构造url列表

　　33 url_list = self.get_url_list()

　　34 # 2、遍历列表发送请求，获取响应

　　35 for url in url_list:

　　36 html_str = self.parse_url(url)

　　37 # 3、保存html页面到本地

　　38 page_num = url_list.index(url)+1

　　39 self.save_html(html_str,page_num)

　　42 if __name__ == "__main__":

　　43 tieba_spider = TiebaSpider("李毅") # 创建一个类对象

　　44 tieba_spider.run()无锡看妇科哪里好 http://www.xasgfk.cn/

　　接下来可以测试程序，但是不会有任何现象，可以在parse_url方法下的第一行代码加一个print，用print打印一下当前的url,看跑到了哪个url。

　　debug注意：

　　所有的方法，包括run，一定要写在 class

　　TiebaSpider():下，一定要缩进，不能和类左对齐，因为这些方法都是类方法，否则运行时会提示AttributeError:

　　‘TiebaSpider’ object has no attribute ‘run’

　　with open (file_path,“w”,encoding=“utf-8”) as f: # "李毅吧-第1页"做成格式化

　　f.write(html_str)

　　如果报错，一定要写上encoding=“utf-8”

　　面向对象知识复习

　　列表的另一种构造方式

　　用列表的另一种构造方式替换代码：用5、6行代替1-4行

　　1 #url_list = []

　　2 #for i in range (1000):

　　3 #url_list.append(self.url_temp.format(i50))

　　4 #return url_list

　　5 url_list = [self.url_temp.format(i50) for i in range(1000)]

　　6 return url_list

　　替换后代码如下，运行结果与之前一致：

　　1 import requests

　　3 class TiebaSpider():

　　4 def __init__(self,tieba_name):

　　5 self.tieba_name = tieba_name

　　6 self.url_temp = "https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}"

　　7 self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36"}

　　9 def get_url_list(self):

　　10 """构造url列表,获取贴吧1-1000页的内容"""

　　11 #url_list = []

　　12 #for i in range (1000):

　　13 #url_list.append(self.url_temp.format(i*50))

　　14 #return url_list

　　15 url_list = [self.url_temp.format(i*50) for i in range(1000)]

　　16 return url_list

　　19 def parse_url(self,url):

　　20 print(url)

　　21 response = requests.get(url,headers=self.headers)

　　22 return response.content.decode()

　　25 def save_html(self,html_str,page_num):

　　26 """保存html字符串"""

　　27 file_path = "{}-第{}页.html".format(self.tieba_name,page_num)

　　28 with open (file_path,"w",encoding="utf-8") as f: # "李毅吧-第1页"做成格式化

　　29 f.write(html_str)

　　33 def run(self): # 实现主要逻辑

　　34 # 1、构造url列表

　　35 url_list = self.get_url_list()

　　36 # 2、遍历列表发送请求，获取响应

　　37 for url in url_list:

　　38 html_str = self.parse_url(url)

　　39 # 3、保存html页面到本地

　　40 page_num = url_list.index(url)+1

　　41 self.save_html(html_str,page_num)

　　44 if __name__ == "__main__":

　　45 tieba_spider = TiebaSpider("李毅") # 创建一个类对象

　　46 tieba_spider.run()

转载于:https://www.cnblogs.com/djw12333/p/11411219.html

weixin_30650859

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
爬虫requests库之爬虫贴吧

　　首先要观察爬虫的URL规律，爬取一个贴吧所有页的数据，观察点击下一页时URL是如何变化的。　　思路：　　定义一个类，初始化方法什么都不用管　　定义一个run方法，用来实现主要逻辑　　3 class TiebaSpider():　　4 def __init__(self):　　5 pass　　6　　7　　8 def run(self): # 实现主要...
复制链接

扫一扫