爬虫---实现爬取百度贴吧（海贼王吧）

效果图：

源代码：

import urllib.request
import urllib.parse
import re
import json
import csv
import time
import random

# 获取网页源代码
def get_page(url):
    headers = {
        'USER-AGENT':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    }
    req = urllib.request.Request(url=url,headers=headers)
    response = urllib.request.urlopen(req)
    html = response.read().decode('utf-8')
    return html

# 解析网页源代码，提取数据
def parse_page(html):
    titles = re.findall(r'href="/p/\d+" title="(.+?)"',html)
    authods = re.findall(r'title="主题作者: (.+?)"',html)
    nums = re.findall(r'href="/p/(\d+)"',html)
    links = ['http://tieba.baidu.com/p/'+str(num) for num in nums]  #本质也是一个列表
    focus = re.findall(r'title="回复">(\d+)',html)  #回复数量
    ctimes = re.findall(r'title="创建时间">(.+?)<',html)
    data = zip(titles,authods,links,focus,ctimes)
    return data

# 打开文件
def openfile(fm,fileName):
    if fm == 'txt':
        return open(fileName+'.txt','w',encoding='utf-8')
    elif fm == 'json':
        return open(fileName+'.json','w',encoding='utf-8')
    elif fm == 'csv':
        return open(fileName+'.csv','w',encoding='utf-8',newline='')
    else:
        return None

# 将数据保存到文件
def save2file(fm,fd,data):
    if fm == 'txt':
        for item in data:
            fd.write('----------------------------------------\n')
            fd.write('title：' + str(item[0]) + '\n')
            fd.write('authod：' + str(item[1]) + '\n')
            fd.write('link：' + str(item[2]) + '\n')
            fd.write('focus：' + str(item[3]) + '\n')
            fd.write('ctime：' + str(item[4]) + '\n')
    if fm == 'json':
        temp = ('title','authod','link','focus','ctime')
        for item in data:
            json.dump(dict(zip(temp,item)),fd,ensure_ascii=False)
    if fm == 'csv':
        writer = csv.writer(fd)
        for item in data:
            writer.writerow(item)

# 开始爬取网页
def crawl():
    kw = input('请输入主题贴吧名字：')
    base_url = 'http://tieba.baidu.com/f?kw=' + urllib.parse.quote(kw) + '&ie=utf-8&pn={page}' #用此方法提前标记好 page
    fm = input('请输入文件保存格式（txt、json、csv）：')
    while fm!='txt' and fm!='json' and fm!='csv':
        fm = input('输入错误，请重新输入文件保存格式（txt、json、csv）：')
    fd = openfile(fm,kw)
    page = 0
    total_page = int(re.findall(r'共有主题数<span class="red_text">(\d+)</span>个',get_page(base_url.format(page=str(0))))[0])
    print('开始爬取')
    while page < total_page:
        print('正在爬取第', int(page/50+1), '页.......')
        html = get_page(base_url.format(page=str(page)))
        data = parse_page(html)
        save2file(fm,fd,data)
        page += 50
        time.sleep(random.random())
    fd.close()
    print('结束爬取')

if __name__ == '__main__':
    crawl()

讲解：

一、open 方法

这个函数能打开当前目录下的文件，若没有该文件则自动创建一个新的文件，方法如下：

open(fileName+'.txt','w',encoding='utf-8')

函数返回值：fd = open(fileName+'.txt','w',encoding='utf-8')，可用于读写和关闭文件，方法如下：

fd.write('title：' + str(item[0]) + '\n')  #写入

fd.close()  #关闭

二、parse 模块的 quote 方法

urllib.parse.quote(kw)

作用是将具有中文的不合理 URL 处理成合法的 URL（具体方法见源码）

三、re 模块

re 也称正则表达式，是一组特殊的字符序列，常常用于匹配字符串

下面讲讲 re 模块中的 findall 方法，以源代码举例：

re.findall(r'共有主题数<span class="red_text">(\d+)</span>个',get_page(base_url.format(page=str(0)))[0]

这段看起来很长，我就来分段讲解

base_url.format(page=str(0))

这句就是给前面的 page 赋值为字符串的 0，就是 format 的基本用法

r'共有主题数<span class="red_text">(\d+)</span>个'

其中r'xxxx' 和 (\d+) 就是正则表达式，前者代表引号内为正则表达式，后者代表整数（ \d 代表一个数字，+ 代表取一或多次）
并且 (\d+) 和 \d+ 的意思完全不一样，有括号代表仅匹配括号内的数字，没括号代表连着数字的其他字符也一起匹配

re.findall(xxxx,xxxx)[0]

第一个参数代表要匹配内容，第二个参数代表被匹配的字符串（一般是整个 html 内容）
函数返回 匹配成功内容 的列表，[0] 代表取列表第一个元素

再举一个例子：

titles = re.findall(r'href="/p/\d+" title="(.+?)"',html)

(.+?) 中的 . 号为匹配除换行符之外的所有字符，? 号为匹配字符零次或一次

函数返回值：findall 方法 的返回值是一个列表

四、time 模块 和 random 模块

time 模块 的 sleep 方法

time.sleep(t) #进程挂起的时间为 t 秒

random 模块 的 random 方法

 random.random() #返回随机生成的一个实数，它在[0,1)范围内

五、将数据保存到文件

def save2file(fm,fd,data):  #选择格式 选择文件 zip内容
    if fm == 'txt':
        for item in data:
            fd.write('----------------------------------------\n')
            fd.write('title：' + str(item[0]) + '\n')  # zip解压
            fd.write('authod：' + str(item[1]) + '\n')
            fd.write('link：' + str(item[2]) + '\n')
            fd.write('focus：' + str(item[3]) + '\n')
            fd.write('ctime：' + str(item[4]) + '\n')
    if fm == 'json':
        temp = ('title','authod','link','focus','ctime')
        for item in data:
            json.dump(dict(zip(temp,item)),fd,ensure_ascii=False)
    if fm == 'csv':
        writer = csv.writer(fd)
        for item in data:
            writer.writerow(item)

上面代码可以当作模板来参考使用，具体我也不是很了解，用时回顾，不必深究

参考博客：
爬虫系列(三) urllib的基本使用
爬虫系列(五) re的基本使用
爬虫系列(六) 用urllib和re爬取百度贴吧