python爬虫-贴吧

#!/usr/bin/python
# coding=utf-8
# 作者      :Y0010026
# 创建时间  :2018/12/16 15:33
# 文件      :spider_03.py
# IDE       :PyCharm
import urllib2  # 用于进行中文编码
import urllib  # 用于进行爬虫核心处理


def load_url(url, file_name):
    '''
    作用：针对指定的url地址，进行数据的获取
    :param url: 需要爬取的具体url地址
    :param file_name: 要保存的文件名称；在当前函数中，只做提示使用
    :return: 爬取的数据
    '''

    print ('开始爬取%s的内容' % file_name)

    # 爬取程序
    my_headers = {
        'User-Agent': 'Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1'
    }
    requset = urllib2.Request(url, headers=my_headers)
    content = urllib2.urlopen(requset).read()
    print ('爬取%s的内容完成！' % file_name)
    return content


def save_data(data, file_name):
    '''
    作用：主要用于进行数据存储
    :param data: 要存储的数据
    :param file_name: 要存储的文件名称
    :return: 无
    '''
    print ('开始保存%s的内容' % file_name)
    with open(file_name, 'w') as f:
        f.write(data)
    print ('保存%s的内容完成！' % file_name)


# 定义函数，进行爬虫的核心处理功能
def spider(url, kw, begin, end):
    '''
    作用：用于进行核心爬虫功能的调度
    :param url: 要爬取的地址
    :param kw: 贴吧名称
    :param begin: 起始页码
    :param end: 结束页码
    :return: 无
    '''

    for page in range(begin, end + 1):
        # 计算需要的页码
        pn = (page - 1) * 50
        # 进行kw参数的编码
        kw = urllib.urlencode({'kw': kw})
        # 拼接url地址
        full_url = url + kw + '&pn=' + str(pn)
        # 定义一个保存文件的名称
        file_name = '网页' + str(page) + '.html'
        # 开始爬取数据
        html = load_url(full_url, file_name)
        # 保存数据到文件
        save_data(html, file_name)


# 主程序运行入口
if __name__ == '__main__':
    # 用户数据相关数据
    url = "http://tieba.baidu.com/f?"
    kw = raw_input('请输入要爬取的贴吧名称：')
    begin = int(raw_input('请输入开始页码：'))
    end = int(raw_input('请输入结束页码：'))
    # 调用爬虫开始执行
    spider(url, kw, begin, end)