首页 > Web开发 > 详细

爬虫(GET)——爬取多页的html

时间:2018-05-25 18:21:06      阅读:222      评论:0      收藏:0      [点我收藏+]

工具:python3

目标:将编写的代码封装,不同函数完成不同功能,爬取任意页数的html

新学语法:with open as  

        除了有更优雅的语法,with还可以很好的处理上下文环境产生的异常。

 1 # coding:utf-8
 2 
 3 import urllib.request
 4 
 5 def loadPage(fullurl,filename):
 6     """作用:根据url发送请求,获取服务器响应请求"""
 7     ua_headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36"}
 8     print("正在下载" + filename)
 9 
10     request = urllib.request.Request(fullurl, headers=ua_headers )
11     response = urllib.request.urlopen(request)
12     return response.read()
13 
14 
15 def writePage(html, filename):
16     """
17     作用:将html内容写入到本地
18     html:服务器相应文件内容
19     """
20     print("正在写入" + filename)
# 新建文件,存储html信息
21 with open(filename, "w") as f: 22 f.write(str(html)) 23 24 25 def tiebaSpider(url, beginpage, endpage): 26 """ 27 作用:贴吧爬虫调度器,负责组合处理每个页面的url 28 url:贴吧url的前部分 29 beginPage: 起始页 30 endPage: 结束页 31 :return: 32 """
# 构造每页的url和文件名
33 for page in range(beginpage, endpage+1): 34 pn = (page-1)*50 35 fullurl = url + "&" + str(pn) 36 filename = "" + str(page) + "页.html" 37 38 html = loadPage(fullurl, filename) 39 writePage(html, filename) 40 print("完成!") 41 42 43 if __name__ == "__main__": 44 kw = input("请输入要爬取的贴吧名: ") 45 beginPage = int(input("请输入起始页: ")) 46 endPage = int(input("请输入结束页: ")) 47 48 url = "http://tieba.baidu.com/f?" 49 kw = urllib.parse.urlencode({"kw": kw}) 50 51 url = url + kw 52 53 tiebaSpider(url, beginPage, endPage)

 

爬虫(GET)——爬取多页的html

原文:https://www.cnblogs.com/gaoquanquan/p/9089738.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!