共计 1376 个字符,预计需要花费 4 分钟才能阅读完成。
1、导入我的项目所须要的的扩大库
1# -*- coding: UTF-8 -*-
2
3# 导入 urllib 用于参数数据编码
4import urllib
5# 导入 urllib2 用于执行外围爬虫
6import urllib2
7
8# 导入 UserAgent 用于生成 UA
9from fake_useragent import UserAgent
2、执行网页申请函数
1# 执行网页申请
2def req_url(self,full_url):
3 headers = {
4 # 随机生成一个 User-Agent
5 'User-Agent': self.user_agent.random
6 }
7 # 结构 Request 申请对象
8 request = urllib2.Request(headers=headers, url=full_url)
9 # 执行申请
10 response = urllib2.urlopen(request)
11 return response.read()
3、保留网页下载的 html 源代码
1# 将爬取下来的 html 源代码保留
2def save_doc(self,html_doc, file_name):
3 print "开始保留文件:", file_name
4 with open(file_name, 'w') as f:
5 f.write(html_doc)
6 print "实现文件:", file_name, "保留"
4、组装残缺的爬虫地址、参数组装等
1# 结构爬虫环境、并执行
2def run_spider(self):
3 for page in range(self.begin, self.end + 1):
4 # 计算页码
5 pn = (page - 1) * 50
6 # 对中文参数进行编码
7 name = urllib.urlencode({'kw': self.tieba_name})
8 # 组装残缺的爬虫地址
9 full_url = self.url + name + '&pn=' + str(pn)
10 # 依据页数定义文件名称
11 file_name = str(page) + '.html'
12 # 执行爬虫网页申请
13 html_doc = self.req_url(full_url)
14 # 保留文件
15 self.save_doc(html_doc, file_name)
5、用户自定义输出参数
1# 用户输出相干数据
2url = 'http://tieba.baidu.com/f?'
3tieba_name = raw_input('请输出要爬取的贴吧名称:')
4begin = int(raw_input('请输出开始页码:'))
5end = int(raw_input('请输出完结页码:'))
实力的晋升是最重要的,进入公众号回复:“贴吧爬虫源代码”,支付贴吧爬虫源代码、快去支付刷题吧~
正文完