简单的百度贴吧爬虫

最近在学爬虫,看了点视频学了点东西,写了一个百度贴吧的爬虫上来

目前只是把爬取网页信息,存储到本地


#-*- coding:utf-8 -*-
# 识别中文注释 

import urllib2

def load_page(url):

	user_agent ="Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11"
	headers = {'User-Agent':user_agent}
	req = urllib2.Request(url,headers = headers)
	response = urllib2.urlopen(req)
	page = response.read()

	return  page

def tieba_spider(url,beginPage,endPage):
	'''
	贴吧小爬虫
	'''
	for i in range(beginPage,endPage+1): 
		myurl = url + str(50*(i-1))
		print "url :" + myurl
		html = load_page(myurl)
		file_name =str(i)+".html"
		writeFile(file_name,html)

def writeFile(file_name,txt):
	f = open(file_name,'w')
	f.write(txt)
	f.close()


if __name__ == "__main__":
	url = raw_input("please input the url :")

	beginPage = int(raw_input("begin : "))
	endPage = int(raw_input("end : "))

	tieba_spider(url,beginPage,endPage)

过几天有时间再学点正则表达式加进去

url:http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=

发布了133 篇原创文章 · 获赞 91 · 访问量 23万+
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章