简单爬虫

Posted 2020-10-07

import requests
# requests模块，发出请求，接受响应，包括请求响应

headers = {
　　"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/60.0.3112.113 Safari/537.36"
}

params = dict(wd="python")

r = requests.get("http://www.baidu.com/s",headers=headers,params=params)

print(r.content.decode())
　　#获取请求的url
print(r.request.url)

---

import requests

　　　　　　　　# "发送请求"
r = requests.get("http://www.baidu.com")
# "有乱码，requests模块是猜 对方web响应的返回的编码格式进行解码的"
print(r.text)
# 此时获取的内容比较少。因为此时还没有设置user——agent ,对方会认为时一个爬虫，有些东西不让爬
# 打印编码格式
# print(r.encoding)

# r.content返回的是bite格式的数据，所以直接用 r.content.decode

# 修改解码方式
# r.encoding = "utf8"
# print(r.text)

 

# 打印请求头
# print(r.request.headers)
#打印响应头
print(r.headers)

---

 

import requests

 

class TiebaSpider:

　　　　def __init__(self,tieba_name):

　　　　　　self.tieba_name = tieba_name

　　　　　　self.temp_url = "https://tieba.baidu.com/f?kw=" + tieba_name + "&pn={}"

　　　　　　self.headers = {
　　　　　　　　　　"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) 　　　　　　　　　　Chrome/60.0.3112.113 Safari/537.36"
　　　　　　　　　　}

 

#构造url列表
　　　　def get_url_list(self):

　　　　 　url_list = [self.temp_url.format(i*50) for i in range(5)]
　　　　　　return url_list

 

#发送请求，获取响应
　　　　def parse_url(self,url):

　　　　　　response = requests.get(url,headers=self.headers)
　　　　　　return response.content.decode()

 

#保存
　　　　def save_html(self,html,page_num):

　　　　　　file_path = self.tieba_name+"_"+str(page_num)+".html"

　　　　　　with open(file_path, "w", encoding="utf-8") as f:

　　　　　　f.write(html)

 

　　　　def run(self):
　　　　　　url_list = self.get_url_list()

　　　　　　for url in url_list:
　　　　　　　　html_str = self.parse_url(url)

　　　　　　 　page_num = url_list.index(url)+1

　　　　　　　　self.save_html(html_str,page_num)

 

if __name__ == "__main__":
tieba = TiebaSpider("蒋欣")
tieba.run()