Python 爬虫学习1

一个简单的百度贴吧爬虫程序：

代码：

# -*- coding: utf-8 -*-
#---------------------------------------
#   程序：百度贴吧爬虫
#   语言：Python 2.7
#   操作：输入带分页的地址，去掉最后面的数字，设置一下起始页数和终点页数。
#   功能：下载对应页码内的所有页面并存储为html文件。
#---------------------------------------  

import string, urllib2  

#定义百度函数
def baidu_tieba(url,begin_page,end_page):
    for i in range(begin_page, end_page+1):
        sName = string.zfill(i,5) + ‘.html‘#自动填充成六位的文件名
        print ‘正在下载第‘ + str(i) + ‘个网页，并将其存储为‘ + sName + ‘......‘
        f = open(sName,‘w+‘)
        m = urllib2.urlopen(url + str(i)).read()
        f.write(m)
        f.close()  

#-------- 在这里输入参数 ------------------  

bdurl = str(raw_input(u‘请输入贴吧的地址，去掉pn=后面的数字：\n‘))
begin_page = int(raw_input(u‘请输入开始的页数：\n‘))
end_page = int(raw_input(u‘请输入终点的页数：\n‘))
#-------- 在这里输入参数 ------------------  

#调用
baidu_tieba(bdurl,begin_page,end_page)

　学习笔记：

定义一个百度函数，这个函数可以将你所要爬虫的贴吧网页保存到本地。

函数三个参数：

url,begin_page,end_pageurl：贴吧主页urlbegin_page和end_page：你所要爬下来的开始和结束页数i 循环数 从开始页数到结束页数

sName为保存到本地的文件名

string.zfill(i,5)保证文件名为6位数字

sName = string.zfill(i,5) + ‘.html‘#自动填充成六位的文件名 string.zfill(i,5)的意思是以i命名然后填充到5位 不足的部分补0 例如 string.zfill(3,5) 的命名是00003

html为文件后缀

str(i) 将 i 变成字符串 因为i 本来是int型

然后将m写入f 这个文件，m内容就是urllib2用urlopen打开你所要爬下来的网页，当然是html格式...

写入 关闭这一个， 然后写下一个网页直到 你所要结束的页数。

bdurl = str(raw_input(u‘请输入贴吧的地址，去掉pn=后面的数字：\n‘))

begin_page = int(raw_input(u‘请输入开始的页数：\n‘))

end_page = int(raw_input(u‘请输入终点的页数：\n‘))

这三行代码就是在运行时要你自己输入的东西 ..

最后就是调用啦~附个图

我是用pycharm来运行的。