python3爬取指定百度贴吧页面并保存成本地文档（批量爬取贴吧页面数据）

首先我们创建一个python文件, tieba.py，我们要完成的是，输入指定百度贴吧名字与指定页面范围之后爬取页面html代码，我们首先观察贴吧url的规律，比如：

• 百度贴吧LOL吧第一页：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

• 第二页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50

• 第三页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

发现规律了吧，贴吧中每个页面不同之处，就是url最后的pn的值，其余的都是一样的，我们可以抓住这个规律（kw表示贴吧名，采用url编码）。
清楚了url规则，我们便可以利用urllib进行批量式数据爬取，代码如下：

# -*- coding:utf-8 -*-
from urllib import request as urllib2
from urllib import parse
import random

def loadPage(url, page):
    '''
    根据url获取服务器响应文件
    url:需要爬取的url
    '''
    print('---------正在下载页面%d-------' % page)
    ua_list = [
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
        "Mozilla/5.0 (Windows NT 6.1; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
        "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
        "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"
    ]
    header = random.choice(ua_list)
    request = urllib2.Request(url)
    request.add_header('User-Agent', header)
    response = urllib2.urlopen(request)
    html = response.read()
    return html

def write(html, page):
    '''
    将html文件写入本地
    :param html: 服务器响应文件内容
    :return:
    '''
    data = html
    file_name = 'tieba{}.txt'.format(page)
    print('---------正在保存文件%s-------'%file_name)
    # 运用with open as语句使代码更加简洁 避免写异常处理和文件关闭语句
    with open(file_name,'w',encoding='utf-8') as file:
        file.write(data.decode())
    print('---------success!---------')


def tiebaSpider(url, kw, begin, end):
    '''
    爬取贴吧信息
    '''
    words = {
        'kw':kw
    }
    kw = parse.urlencode(words)
    url = url % (kw)
    for page in range(begin, end + 1):
        pn = ((page-1)*50)
        ful_url = url + str(pn)
        html = loadPage(url, page)
        write(html, page)

if __name__ == '__main__':
    kw = input('请输入爬取贴吧名:')
    beginPage = int(input('请输入起始页:'))
    endPage = int(input('请输入结束页:'))
    url = r'http://tieba.baidu.com/f?%s&pn='
    tiebaSpider(url, kw, beginPage, endPage)

控制台结果如下：

请输入爬取贴吧名:河南
请输入起始页:1
请输入结束页:3
---------正在下载页面1-------
---------正在保存文件tieba1.txt-------
---------success!---------
---------正在下载页面2-------
---------正在保存文件tieba2.txt-------
---------success!---------
---------正在下载页面3-------
---------正在保存文件tieba3.txt-------
---------success!---------

Process finished with exit code 0