Python爬虫(一)爬百度贴吧

最新推荐文章于 2025-08-12 18:06:10 发布

weixin_34137799

最新推荐文章于 2025-08-12 18:06:10 发布

阅读量344

点赞数

CC 4.0 BY-SA版权

文章标签： python 爬虫

原文链接：http://www.cnblogs.com/gattaca/p/6724682.html

本文介绍了使用Python进行简单GET请求的方法，包括如何爬取百度首页、百度贴吧及糗百的帖子内容。通过实例演示了如何设置User-Agent、读取网页源码、解析HTML并抓取特定信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简单的GET请求:

# python2
import urllib2

response = urllib2.urlopen('http://www.baidu.com')
html = response.read()
print html

req = urllib2.Request('http://www.baidu.com')
req.add_header('User-Agent', 'Chrome')
response = urllib2.urlopen(req)
print 'response headers:'
print response.info()

爬百度贴吧一个帖子：

# python2
# -*- coding: utf-8 -*-

import urllib2
import string

def crawl_tieba(base_url, begin_page, end_page):
    for i in range(begin_page, end_page + 1):
        print '正在下载第' + str(i) + '个网页...'
        url = base_url + '?pn=' + str(i)
        m = urllib2.urlopen(url).read()
        file_name = string.zfill(i, 5) + '.html'
        f = open(file_name, 'w+')
        f.write(m)
        f.close()
    print 'done'

crawl_tieba('http://tieba.baidu.com/p/4999189637', 1, 10)

WARNING:

　　如果没有第二行的注释，会报错：" SyntaxError: Non-ASCII character '\xe6' "。

爬糗百的帖子：

# python2
# -*- coding: utf-8 -*-

import urllib2
import string
import re

def crawl_qiubai(base_url, begin_page, end_page):
    for i in range(begin_page, end_page + 1):
        url = base_url + str(i)
        user_agent = 'chrome'
        headers = {'User-Agent': user_agent}

        print '正在下载网页' + str(i) + '...'

        req = urllib2.Request(url, headers=headers)
        response = urllib2.urlopen(req).read()
        pattern = re.compile(r'<div.*?class="content">.*?<span>(.*?)</span>', re.S)
        features = re.findall(pattern, response)

        file_name = 'qiubai_' + string.zfill(i, 5) + '.txt'
        f = open(file_name, 'w+')
        for index in range(len(features)):
            feature = features[index].replace('<br/>', '\n')
            f.write('第' + str(index + 1) + '条:\n')
            f.write(feature + '\n\n')
        f.close()
        print '网页' + str(i) + '下载完成'
    print 'done'

crawl_qiubai('http://www.qiushibaike.com/hot/page/', 1, 10)