爬虫【4】爬取百度贴吧并生成静态页面

爬虫实践一:利用python爬取百度贴吧内容 #学了python后老想折腾点东西,便在网上找了一些教程。= = 找到一个大佬写的关于爬虫入门的知乎专栏,但是在实际操作是发现并不能实现和作者一样的效果,经过自己的找错,最后成功实现。因此,有了这篇文章。本人小萌新,各位路过的大神轻喷。 大佬的原贴地址:从零开始写Python爬虫 在原实例中,最后无法成功爬取贴吧内容。 经过查找相关信息,我在代码中添加了headers头。 但是还是无法提取到信息... 阅读详情

爬虫【4】爬取百度贴吧并生成静态页面

爬虫回顾:

分析url

通过分析我们可以发现百度贴吧的url中kw表示搜索的名字,pn表示页数0为第一面,50为第二页

fake_useragent包介绍

fake_useragent是一个有很多User-Agent的模块,windows下通过pip3 install fake_useragent -i https://pypi.douban.com/simple --user即可安装

爬虫代码编写

说真的这个代码真的没啥难的,不多说了直接上代码吧

"""
爬
"""
from urllib import request, parse
from fake_useragent import UserAgent
import time, random


class TiebaSpider:
    def __init__(self):
        self.url = 'http://tieba.baidu.com/f?kw={}&pn={}'

    # 获取url
    def get_url(self, kw, pn):
        kw = parse.quote('kw')
        url = self.url.format(kw, pn)
        print(url)
        return url

    # 获取User-Agent
    def get_useragent(self):
        ua = UserAgent()
        return ua.random

    # 保存html页面
    def write_html(self, html, filename):
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(html)

    # 获取html
    def get_html(self, url):
        headers = {'User-Agent': self.get_useragent()}
        req = request.Request(url, headers=headers)
        res = request.urlopen(req)
        html = res.read().decode()
        return html

    # 运行主程序
    def run(self,kw,start,end):
        for i in range(start, end + 1):
            pn = (i - 1) * 50
            url = self.get_url(kw, pn)
            html = self.get_html(url)
            filename = '{}-第{}.html'.format(kw, i)
            self.write_html(html, filename)
            print(filename, ' 完成啦')
            time.sleep(random.randint(1, 3))


if __name__ == '__main__':
    kw = input('请输入贴吧:')
    start = int(input('请输入起始页:'))
    end = int(input('请输入结束页:'))
    tieba = TiebaSpider()
    while True:
        try:
            tieba.run(kw,start,end)
            break
        except Exception as e:
            print(e)
            time.sleep(0.5)

网络爬虫之基于XPath爬取百度贴吧图片详细教程(可输入版) 基于XPath百度贴吧图片的爬取网络爬虫的爬取的流程爬取步骤详解1、打开浏览器进入需要爬取的页面2、通过插件来获取爬取的信息3、编写代码(1)、发送请求(2)、接收响应(3)、分析页面(4)、得出结果4、结果验证 网络爬虫的爬取的流程 网络爬虫的步骤可总结为四步走: 发送请求→接收响应→分析页面→保存数据 爬取步骤详解 1、打开浏览器进入需要爬取的页面 2、通过插件来获取爬取的信息 3、编写代码 ... 阅读详情

相关推荐

python 爬虫案例:爬取百度贴吧图片

一个 python 爬虫的小案例,超简单

看那白熊 1747

百度贴吧检测User-Agent的奇葩之处

  今天在爬去贴吧信息时,只出现部分网页代码,之后各种换工具,依旧是只能显示部分原代码. 1 from urllib import parse, request 2 from bs4 import BeautifulSoup 3 4 class Spider: 5 6 def __init__(self, keyword, begin, end): 7 ...

weixin_30252709的博客 258

[Python]实战——百度贴吧爬虫

网络爬虫(Web Spiders)是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。半年前,我接触了Lucene搜索引擎开发——开始了网络爬虫之旅;当时,采用的是纯Java开发环境,对百度某吧几百万帖子进行了全面爬取。那时候我对Python一点都不了解,今天对《Pyhon基础教程:第2版·修订版》以及极客学院相关视频进行了学习,形成了本文。 Key Words: 网络爬虫, 多线程, requests, XPath, lxml

机器学习 3186

Python爬虫实战:爬取百度贴吧数据并保存到本地(完整代码)

Python爬虫实战:爬取百度贴吧数据并保存到本地 💡 学习提示:本文提供完整爬虫代码,适合Python初学者。需求分析 我们需要爬取百度贴吧指定关键词的多页内容,并将每页保存为HTML文件。 完整代码 # Python爬虫:爬取百度贴吧数据 import requests import time def GetHtml(keywords, pages, timeSleep): """ 爬

evendy_te的博客 1183

python爬虫小项目:爬取百度贴吧图片

前一段时间,通过对爬虫的学习,完成了爬取百度贴吧帖子和爬取糗事百科段子。看着自己爬取下来的文字,心里也是满满的自豪感! 再次打开贴吧,在浏览时发现贴吧也是包含着大量图片,既然爬取下了贴吧文字,那么为何不将百度贴吧的图片爬取下来呢? 说干就干!(代码为python3.x版) 本篇目标     1.对百度贴吧的任意帖子的图片部分进行抓取     2.指定是否只抓取楼主发帖内容图片

funwj的博客 2475

Java网络爬虫爬取百度页面

最近看到网上介绍爬虫的文章,觉得很有趣,那么心动不如行动,晚上回来的时间刚好用来码代码啦~~ 网络爬虫:按照一定的规则爬取网页上的信息,通常是爬取到一些URL之后然后对这些URL放入队列在一次次的进行搜索,具体不知道是DFS还是BFS了,这里的算法我没咋研究,因为本次做的爬虫实例比较简单,实现一个Java小程序,用来爬取百度页面的LOGO。 事实上爬虫的作用远大于此,本次例子仅为入门参考使用。

crazy_石头的专栏 3743

百度PC端和手机端的User-Agent

百度蜘蛛的 User Agent 移动UA: Python Mozilla/5.0 (Linux;u;Android 4.2.2;zh-cn;) AppleWebKit/534.46 (KHTML,likeGecko) Version/5.1 Mobile Safari/10600...

从零开始学习python --zeropython 3688

百度贴吧通用爬虫

号外!号外!号外! 喜欢逛贴吧的朋友们,你们的福利来啦!经过本人的一顿操作,我写出了百度贴吧的通用爬虫,只需要输入你想爬取的贴吧名字就可以进行内容的爬取。 喜欢校花吗?来咱们一起看一看校花吧的首页吧 看看这忧郁的眼神,瞬间征服了多少宅男的心(手动滑稽) 百度贴吧的请求地址如下: http://tieba.baidu.com/f?ie=utf-8&kw=校花&fr=search...

darren573的博客 1100

爬虫案例1:访问百度贴吧

2 爬虫案例1:访问百度贴吧 假设我们要访问的贴吧是:动漫吧 头几页的URL地址为: https://tieba.baidu.com/f?kw=%E5%8A%A8%E6%BC%AB&ie=utf-8&pn=0 https://tieba.baidu.com/f?kw=%E5%8A%A8%E6%BC%AB&ie=utf-8&pn=50 https://tieba.baidu.com/f?kw=%E5%8A%A8%E6%BC%AB&ie=utf-8&pn

记录一些开发事项 497

爬取整个百度贴吧

python是一门面向对象的编程语言,在我之前所学习的一些小爬虫中,代码大部分比价简单,都是面向过程的。但是在爬百度贴吧一个整个贴吧的时候问题就来了,要写出一个通用的代码,就要考虑获取贴吧的页数,帖子的页数,帖子的标题,帖子的内容.......等等。如果按照以前的写法,一个个for循环嵌套在一块,明显是不行的,不仅不清楚,也不容易实现。最终代码是在参考了静谧博客上爬取百度贴吧单个帖子的教程,完成了整个百度贴吧的爬取

jinxuzhao的博客 2172

python爬虫爬取贴吧

百度贴吧是一个流行的中文在线社区,用户可以在各种话题下发表帖子并参与讨论。本教程将指导您使用Python来爬取百度贴吧首页,并将帖子信息保存到Excel文件中。该脚本旨在爬取指定百度贴吧的前100页内容,并保存每个帖子的信息,包括评论数、标题、链接、内容、作者和时间戳。

2201_76125393的博客 2091

Python爬虫实战二之爬取百度贴吧帖子

大家好,上次我们实验了爬取了糗事百科的段子,那么这次我们来尝试一下爬取百度贴吧的帖子。与上一篇不同的是,这次我们需要用到文件的相关操作。 本篇目标 1.对百度贴吧的任意帖子进行抓取 2.指定是否只抓取楼主发帖内容 3.将抓取到的内容分析并保存到文件 1.URL格式的确定 首先,我们先观察一下百度贴吧的任意一个帖子。 比如:http://tieba.baidu.com/p/313873

shengxiaweizhi的专栏 1853

百度贴吧的爬取

爬取百度贴吧的代码,通过关键字进行具体贴吧的爬取,可指定页码,简单易懂易学习,适合初学者

python爬虫爬取百度贴吧中任意贴吧的任意多页的网页内容

一、总体分析 打开百度贴吧,选择进入任意一个贴吧,此处以 “爬虫”贴吧为例。我们可以发现其是一个静态网页,所有的参数都是在URL中出现的。url中?后面的都是参数。     点开贴吧的第二页,观察URL 的变化(如下图所示),我们可以发现:        1.少了一个参数“fr=search”,但是此参数写不写对于我们打开网页是不影响的,故我们可以不写此参数,        2.多...

zchongguang的博客 2929

python爬虫教程之爬取百度贴吧并下载的示例

测试url:http://tieba.baidu.com/p/27141123322?pn=begin  1end   4复制代码 代码如下:import string ,urllib2 def baidu_tieba(url,begin_page,end_page):    for i in range(begin_page, end_page+1):        sName = string.zfill(i,5)+ ‘.html’        print ‘正在下载第’ + str(i) + ‘个网页,并将其存储为’ + sName + ‘……….’        f = open (

AI中台系统设计方案探讨

集成JupyterLab、低代码建模工具(如H2O.ai)、预训练模型库(Hugging Face、PaddleHub)。:通过REST/gRPC接口封装AI能力(如OCR、语音识别),支持流量控制与鉴权(如Kong、Apigee)。:服务注册发现(Consul)、熔断降级(Hystrix)、监控告警(Prometheus+Grafana)。:分布式存储(如HDFS、Ceph)与对象存储(如S3、OSS),支持海量数据高速读写。加密传输(TLS)、动态脱敏(如数据掩码)、访问控制(RBAC)。

reset2021的博客 1036

Python爬虫入门——爬取贴吧图片

最近忽然想听一首老歌,“I believe”  于是到网上去搜,把几乎所有的版本的MV都看了一遍(也是够无聊的),最喜欢的还是最初版的《我的野蛮女友》电影主题曲的哪个版本,想起女神全智贤,心血来潮,于是就想到了来一波全MM的美照,哪里有皂片呢?自然是百度贴吧了。 放上链接-———— http://tieba.baidu.com/p/3466236659 爬取贴吧图片是非常简单的一件事,我

翟云鹏的博客 1万+

信号处理中的滤波器的阶数和谐波的理解

最近在读paper的时候,遇到了一些以前遗忘的问题,先重新查找,记录在这里,以备不时之查看。 我相信一定有小伙伴跟我有过一样的疑惑,那就是我们在使用滤波器的时候,总是遇到滤波器的阶数这个概念参数,我们很多都是根据别的paper里的设置,设置自己的科研参数,其实并不是很理解其中的含义: 其实我们常用的阶数N的意思是: 滤波器的阶数,就是指过滤谐波的次数,一般来讲,同样的滤波器,其阶

Miracle.Zhao的博客 2万+

测试爬虫 爬取百度贴吧 爬取百度搜图图片

测试爬取百度贴吧图片 定义爬取百度斗图吧首页的每条贴子的URL的爬取规则对象 /** * 斗图吧贴子的url */ SpiderFunction<Set<String>> doutubaTieZiUrl = spider -> { // 文本爬取对象 TextSpider textSpider = (Text...

weixin_43479906的博客 2418

FPGA实战:AXI BRAM Controller写时序避坑指南(附Vivado配置步骤)

本文深入探讨了FPGA开发中AXI BRAM Controller的写时序实战要点与常见陷阱。文章聚焦于写地址与写数据通道的握手机制,详细解析了AWREADY、WVALID等关键信号的处理,并提供了Vivado中流水线深度、ECC等关键参数的配置步骤与优化建议,旨在帮助开发者有效规避时序问题,提升系统性能。

weixin_32306683的博客 172

OpenIddict实战指南:在.NET Core中构建安全的OAuth 2.0与OpenID Connect服务

本文详细介绍了如何在.NET Core中使用OpenIddict框架构建安全、标准的OAuth 2.0与OpenID Connect授权服务。内容涵盖从快速搭建授权服务器、理解核心配置与授权流程,到集成用户数据库、实现完整登录授权,以及生产环境下的安全加固与部署指南,为.NET开发者提供了一套现代、可维护的认证授权解决方案。

weixin_29229989的博客 355

urllib库爬取百度贴吧

网页爬取之urllib库

2301_79817778的博客 1274

stable diffusioncontrolNet 预处理器/模型的下载及安装使用教程

首先说明,controlNet 的模型 不同于stable diffusion 模型,这一点一定要区分清楚。下面提供多个ControlNet 预处理器+ 专用模型的百度网盘下载链接,都是由群友整理贡献,但各自包含的版本不同,大家可自行选择。推荐下载紫色链接内的模型,fp16版文件更小,稍微新一些的controlnet插件还添加了对control-lora的支持(注意,要求controlnet插件的版本比12月16号新(1.1.423以上)才能正常识别),推荐下载;

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 3388
上一篇: 爬虫【3】URL地址编码
下一篇: 爬虫【5】爬虫猫眼电影100榜单并保存到csv
AndSonder
博客等级 码龄7年 364粉丝 154原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值