爬虫抓取网页数据(本节继续讲解Python爬虫实战案例(图：抓取*敏*感*词*))

　　爬虫抓取网页数据(本节继续讲解Python爬虫实战案例(图：抓取*敏*感*词*))

　　本节继续讲解Python爬虫的实际案例：爬取*敏*感*词*()页面，如Python爬虫栏、编程栏，只爬取贴吧的前5页。在本节中，我们将使用面向对象的编程方法来编写程序。

　　通过简单分析判断页面类型，可以知道待抓取的*敏*感*词*页面为静态网页。分析方法很简单：打开*敏*感*词*，搜索“Python爬虫”，在出现的页面复制任意一条信息，如“爬虫需要http代理的原因”，然后对-单击选择查看源代码，使用Ctrl+F快捷键在源代码页搜索刚刚复制的数据，如下图：

　　

　　图1：静态网页分析判断（点击查看高清图片）

　　从上图可以看出，页面中的所有信息都收录在源页面中，不需要从数据库单独加载数据，所以页面是静态页面。查找URL 更改规则 接下来，查找要抓取的页面的URL 规则。搜索“Python爬虫”后，贴吧的第一页url如下：

　　爬虫&fr=搜索

　　点击第二页，其url信息如下：

　　爬虫&ie=utf-8&pn=50

　　点击第三页，url信息如下：

　　爬虫&ie=utf-8&pn=100

　　再次点击第一页，url信息如下：

　　爬虫&ie=utf-8&pn=0

　　如果您不确定，可以继续浏览更多页面。最后你发现url有两个查询参数kw和pn，pn参数有规律，如下图：

　　

第n页：pn=(n-1)*50

#参数params

pn=(page-1)*50

params={

         'kw':name,

         'pn':str(pn)

        }

　　url地址可以简写为：

　　爬虫(&pn)=450

　　编写爬虫程序 爬虫程序以类的形式编写，在类下编写了不同的功能函数。代码如下：

　　

from urllib import request,parse

import time

import random

from ua_info import ua_list #使用自定义的ua池

#定义一个爬虫类

class TiebaSpider(object):

#初始化url属性

def __init__(self):

self.url='http://tieba.baidu.com/f?{}'

# 1.请求函数，得到页面，传统三步

def get_html(self,url):

req=request.Request(url=url,headers={'User-Agent':random.choice(ua_list)})

res=request.urlopen(req)

#windows会存在乱码问题，需要使用 gbk解码，并使用ignore忽略不能处理的字节

#linux不会存在上述问题，可以直接使用decode('utf-8')解码

html=res.read().decode("gbk","ignore")

return html

# 2.解析函数，此处代码暂时省略，还没介绍解析模块

def parse_html(self):

pass

# 3.保存文件函数

def save_html(self,filename,html):

with open(filename,'w') as f:

f.write(html)

# 4.入口函数

def run(self):

name=input('输入贴吧名：')

begin=int(input('输入起始页：'))

stop=int(input('输入终止页：'))

# +1 操作保证能够取到整数

for page in range(begin,stop+1):

pn=(page-1)*50

params={

'kw':name,

'pn':str(pn)

}

#拼接URL地址

params=parse.urlencode(params)

url=self.url.format(params)

#发请求

html=self.get_html(url)

#定义路径

filename='{}-{}页.html'.format(name,page)

self.save_html(filename,html)

#提示

print('第%d页抓取成功'%page)

#每爬取一个页面随机休眠1-2秒钟的时间

time.sleep(random.randint(1,2))

#以脚本的形式启动爬虫

if __name__=='__main__':

start=time.time()

spider=TiebaSpider() #实例化一个对象spider

spider.run() #调用入口函数

end=time.time()

#查看程序执行时间

print('执行时间:%.2f'%(end-start)) #爬虫执行时间

　　程序执行后，抓取到的文件会保存到Pycharm的当前工作目录下，输出结果为：

　　

输入贴吧名：python爬虫

输入起始页：1

输入终止页：2

第1页抓取成功

第2页抓取成功

执行时间:12.25

　　用面向对象的方法写爬虫程序的时候，思路简单，逻辑清晰，很容易理解。上面的代码主要收录四个function函数，分别负责不同的功能。总结如下： 1) Request function Request function final 结果是返回一个HTML对象，方便后续函数调用。

　　2) 解析函数解析函数用于解析HTML页面。常用的解析模块有正则解析模块和bs4解析模块。通过对页面的分析，提取出需要的数据，在后续的内容中会详细介绍。

　　3) 保存数据功能 该功能负责将抓取到的数据保存到数据库中，如MySQL、MongoDB等，或保存为文件格式，如csv、txt、excel等。

　　4) 入口函数入口函数作为整个爬虫程序的桥梁，通过调用不同的函数实现数据的最终抓取。入口函数的主要任务是组织数据，比如要搜索的贴吧名称，编码url参数，拼接url地址，定义文件保存路径。爬虫程序结构 用面向对象的方法写爬虫程序时，逻辑结构比较固定，总结如下：

　　

# 程序结构

class xxxSpider(object):

def __init__(self):

# 定义常用变量,比如url或计数变量等

def get_html(self):

# 获取响应内容函数,使用随机User-Agent

def parse_html(self):

# 使用正则表达式来解析页面，提取数据

def write_html(self):

# 将提取的数据按要求保存，csv、MySQL数据库等

def run(self):

# 主函数，用来控制整体逻辑

if __name__ == '__main__':

# 程序开始运行时间

spider = xxxSpider()

spider.run()

　　注：掌握以上编程逻辑有助于后续学习。爬虫程序在入口函数代码中随机休眠，包括如下代码：

　　

#每爬取一个页面随机休眠1-2秒钟的时间

time.sleep(random.randint(1,2))

　　爬虫程序访问网站的速度非常快，与正常的人类点击行为非常不符。因此，爬虫程序可以通过随机休眠来模仿人类。点击网站，这样网站不容易检测到爬虫访问了网站，但这样做的代价是影响程序的执行效率。

　　聚焦爬虫是一个执行效率低的程序。提高其性能是业界一直关注的问题。由此，一个更高效的 Python 爬虫框架 Scrapy 诞生了。