python3 爬虫百度贴吧

Posted dahua7758521

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python3 爬虫百度贴吧相关的知识,希望对你有一定的参考价值。

import urllib.request import urllib.parse from lxml import etree def loadPage(url): """ 作用:根据url发送请求,获取服务器响应文件 url: 需要爬取的url地址 """ #print url #美女 # headers = {"User-Agent" : "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"} request = urllib.request.Request(url) html = urllib.request.urlopen(request).read() # 解析HTML文档为HTML DOM模型 content = etree.HTML(html) #print content # 返回所有匹配成功的列表集合 link_list = content.xpath(‘//div[@class="t_con cleafix"]/div/div/div/a/@href‘) #link_list = content.xpath(‘//a[@class="j_th_tit"]/@href‘) for link in link_list: fulllink = "http://tieba.baidu.com" + link # 组合为每个帖子的链接 #print link loadImage(fulllink) # 取出每个帖子里的每个图片连接 def loadImage(link): headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} request = urllib.request.Request(link, headers = headers) html = urllib.request.urlopen(request).read() # 解析 content = etree.HTML(html) # 取出帖子里每层层主发送的图片连接集合 #link_list = content.xpath(‘//img[@class="BDE_Image"]/@src‘) #link_list = content.xpath(‘//div[@class="post_bubble_middle"]‘) link_list = content.xpath(‘//img[@class="BDE_Image"]/@src‘) # 取出每个图片的连接 for link in link_list: print (link) writeImage(link) def writeImage(link): """ 作用:将html内容写入到本地 link:图片连接 """ #print "正在保存 " + filename headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} # 文件写入 request = urllib.request.Request(link, headers = headers) # 图片原始数据 image = urllib.request.urlopen(request).read() # 取出连接后10位做为文件名 filename = link[-10:] # 写入到本地磁盘文件内 with open("d:\image\\"+filename, "wb") as f: f.write(image) print ("已经成功下载 "+ filename) def tiebaSpider(url, beginPage, endPage): """ 作用:贴吧爬虫调度器,负责组合处理每个页面的url url : 贴吧url的前部分 beginPage : 起始页 endPage : 结束页 """ for page in range(beginPage, endPage + 1): pn = (page - 1) * 50 filename = "第" + str(page) + "页.html" fullurl = url + "&pn=" + str(pn) print (fullurl) loadPage(fullurl) #print html print ("谢谢使用") if __name__ == "__main__": kw =input("请输入需要爬取的贴吧名:") beginPage = int(input("请输入起始页:")) endPage = int(input("请输入结束页:")) url = "http://tieba.baidu.com/f?" key = urllib.parse.urlencode({"kw": kw}) fullurl = url + key tiebaSpider(fullurl, beginPage, endPage)

以上是关于python3 爬虫百度贴吧的主要内容,如果未能解决你的问题,请参考以下文章

python3 TensorFlow训练数据集准备 下载一些百度图片 入门级爬虫示例

Python3实现QQ机器人自动爬取百度文库的搜索结果并发送给好友(主要是爬虫)

URL编码与解码(使用 Python3 urllib.parse) 与 贴吧小爬虫案例

百度图片小爬虫

爬虫,爬取百度贴吧图片,未完善,请指教

分享百度云链接 Python 3网络爬虫开发实战 ,崔庆才著