爬取百度贴吧
#coding=utf-8
import urllib2
import urllib
def loadPage(url, filename):
'''
作用:根据url发送请求, 获取服务器响应文件
url:需要爬取的url地址
filename:处理文件名
'''
head = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'}
print '正在下载' + filename
request = urllib2.Request(url, headers=head)
return urllib2.urlopen(request).read()
def writePage(html, filename):
'''
作用:将html文件内容写入文件
html:服务器响应文件
filename:文件名
'''
print '正在保存' + filename
with open(filename, 'w') as f:
f.write(html)
print '_' * 50
def tiebaSpider(url, beginPage, endinPage):
'''
作用:贴吧爬虫调度器,负责组合处理每个页面的url
url:贴吧url的前半部分
beginPage:起始页
endinPa