[实例]抓取百度贴吧数据
精华
小牛编辑
132浏览
2023-03-14
本节继续讲解 Python 爬虫实战案例:抓取百度贴吧(
https://tieba.baidu.com/)页面,比如 Python爬虫吧、编程吧,只抓取贴吧的前 5 个页面即可。本节我们将使用面向对象的编程方法来编写程序。
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。
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”,在出现的页面中复制任意一段信息,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复制的数据,如下所示:图1:静态网页分析判断( 点击看高清图)
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,此时贴吧第一页的的 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
重新点击第一页,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。最后您发现 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至 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至数据库中,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 xxxSpider(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 = xxxSpider() 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:#每爬取一个页面随机休眠1-2秒钟的时间 time.sleep(random.randint(1,2))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成人类的样子点击网站,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。
聚焦爬虫是一种执行效率较低的程序,提升其性能,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。