Python爬虫抓取百度贴吧数据
判断页面类型
通过简单的分析可以得知，待抓取的百度贴吧页面属于静态网页，分析方法非常简单：打开百度贴吧，搜索“Python爬虫”，在出现的页面中任意一段信息，比如“爬虫需要 http 代理的原因”，然后点击右键选择查看源码，并使用 Ctrl+F 快捷键在源码页面搜索刚刚的数据，如下所示：
图1：静态网页分析判断(点击看高清图)
由上图可知，页面内的所有信息都包含在源码页中，数据并不需要从数据库另行加载，因此该页面属于静态页面。
寻找URL变化规律
接下来寻找要爬取页面的 URL 规律，搜索“Python爬虫”后，此时贴吧页的的 url 如下所示：
https://tieba.baidu.com/f?ie=utf-8&kw=python爬虫&fr=search
点击第二页，其 url 信息如下：
https://tieba.baidu.com/f?kw=python爬虫&ie=utf-8&pn=50
点击第三页，url 信息如下：
https://tieba.baidu.com/f?kw=python爬虫&ie=utf-8&pn=100
重新点击页，url 信息如下：
https://tieba.baidu.com/f?kw=python爬虫&ie=utf-8&pn=0
如果还不确定，您可以继续多浏览几页。您发现 url 具有两个查询参数，分别是 kw 和 pn，并且 pn 参数具有规律性，如下所示：
第n页：pn=(n-1)*50
#参数params
pn=(page-1)*50
params={
'kw':name,
'pn':str(pn)
}
url 地址可以简写为：
https://tieba.baidu.com/f?kw=python爬虫&pn=450
编写爬虫程序
下面以类的形式编写爬虫程序，并在类下编写不同的功能函数，代码如下所示：from urllib import request,parse
import time
import random
from ua_info import ua_list #使用自定义的ua池
#定义一个爬虫类
class TiebaSpider(object):
#初始化url属性
def __init__(self):
self.url='http://tieba.baidu.com/f?{}'
# 1.请求函数，得到页面，传统三步
def get_html(self,url):
req=request.Request(url=url,headers={'User-Agent':random.choice(ua_list)})
res=request.urlopen(req)
#windows会存在乱码问题，需要使用 gbk解码，并使用ignore忽略不能处理的字节
#linux不会存在上述问题，可以直接使用decode('utf-8')解码
html=res.read().decode("gbk","ignore")
return html
# 2.解析函数，此处代码暂时省略，还没介绍解析模块
def parse_html(self):
pass
# 3.保存文件函数
def save_html(self,filename,html):
with open(filename,'w') as f:
f.write(html)
# 4.入口函数
def run(self):
name=input('输入贴吧名：')
begin=int(input('输入起始页：'))
stop=int(input('输入终止页：'))
# +1 操作保证能够取到整数
for page in range(begin,stop+1):
pn=(page-1)*50
params={
'kw':name,
'pn':str(pn)
}
#拼接URL地址
params=parse.urlencode(params)
url=self.url.format(params)
#发请求
html=self.get_html(url)
#定义路径
filename='{}-{}页.html'.format(name,page)
self.save_html(filename,html)
#提示
print('第%d页抓取成功'%page)
#每爬取一个页面随机休眠1-2秒钟的时间
time.sleep(random.randint(1,2))
#以脚本的形式启动爬虫
if __name__=='__main__':
start=time.time()
spider=TiebaSpider() #实例化一个对象spider
spider.run() #调用入口函数
end=time.time()
#查看程序执行时间
print('执行时间:%.2f'%(end-start)) #爬虫执行时间
程序执行后，爬取的文件将会保存 Pycharm 当前工作目录，输出结果：
输入贴吧名：python爬虫
输入起始页：1
输入终止页：2
第1页抓取成功
第2页抓取成功
执行时间:12.25
以面向对象方法编写爬虫程序时，思路简单、逻辑清楚，非常容易理解，上述代码主要包含了四个功能函数，它们分别负责了不同的功能，总结如下：
1) 请求函数
请求函数最终的结果是返回一个 HTML 对象，以方便后续的函数调用它。2) 解析函数
解析函数用来解析 HTML 页面，常用的解析模块有正则解析模块、bs4 解析模块。通过分析页面，提取出所需的数据，在后续内容会做详细介绍。3) 保存数据函数
该函数负责将抓取下来的数据保数据库中，比如 MySQL、MongoDB 等，或者将其保存为文件格式，比如 csv、txt、excel 等。4) 入口函数
入口函数充当整个爬虫程序的桥梁，通过调用不同的功能函数，实现数据的最终抓取。入口函数的主要任务是组织数据，比如要搜索的贴吧名、编码 url 参数、拼接 url 地址、定义文件保存路径。
爬虫程序结构
用面向对象的方法编写爬虫程序时，逻辑结构较为固定，总结如下：
# 程序结构
class xSpider(object):
def __init__(self):
# 定义常用变量,比如url或计数变量等
def get_html(self):
# 获取响应内容函数,使用随机User-Agent
def parse_html(self):
# 使用正则表达式来解析页面，提取数据
def write_html(self):
# 将提取的数据按要求保存，csv、MySQL数据库等
def run(self):
# 主函数，用来控制整体逻辑
if __name__ == '__main__':
# 程序开始运行时间
spider = xSpider()
spider.run()
注意：掌握以上编程逻辑有助于您后续的学习。
爬虫程序随机休眠
在入口函数代码中，包含了以下代码：
爬虫程序访问网站会非常快，这与正常人类的点击行为非常不符。因此，通过随机休眠可以使爬虫程序模仿类的样子点击网站，从而让网站不易察觉是爬虫访问网站，但这样做的代价就是影响程序的执行效率。#每爬取一个页面随机休眠1-2秒钟的时间
time.sleep(random.randint(1,2))
聚焦爬虫是一种执行效率较低的程序，其性能，是业界一直关注的问题，由此也诞生了效率较高的 Python 爬虫框架 Scrapy。