爬取百度贴吧前1000页内容（requests库面向对象思想实现）

此程序以李毅吧为例子，以面向对象的设计思想实现爬取保存网页数据，暂时并未用到并发处理，以后有机会的话会加以改善

• 首先去百度贴吧分析贴吧地址栏中url后的参数，找到分页对应的参数pn，贴吧名字对应的参数kw
• 首先创建类，写好__init__方法，run方法，__init__方法里先可以直接写pass
• run方法里大概整理一下整体的思路
  • 构造 url 列表，因为要爬取1000页，每页需对应一个url
  • 遍历发送请求，获取响应
  • 保存　　
• 将可封装的步骤封装到单独的方法，所以这里又增加了三个方法
  • get_url_list方法可以返回需要访问的所有url的一个列表
  • parse_url方法用来发送请求获取响应，最终返回html页面内容
  • save_html方法用来保存html字符串
  • run方法为核心实现，将三个方法和用到的参数结合起来
• 每当有用到的参数，可以在__init__方法里添加对应的实例属性
• 最后，实例化类，测试，会不断的向当前目录保存html文件

 import requests

 class TiebaSpider(object):
     def __init__(self, tieba_name):  # tieba_name为要爬取贴吧的名称
         self.tieba_name = tieba_name
         self.url_temp = 'https://tieba.baidu.com/f?kw=' + tieba_name + '&ie=utf-8&pn={}'
         self.headers = {
             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
         }

     def get_url_list(self):  # 构造url列表
         # url_list = []
         # for i in range(1000):
         #     url_list.append(self.url_temp.format(i * 50))
         # return url_list
         return [self.url_temp.format(i*50) for i in range(1000)]  # 列表推导式替换上面代码

     def parse_url(self, url):  # 发送请求，获取响应
         print(url)
         response = requests.get(url, headers=self.headers)
         return response.content.decode()

     def save_html(self, html_str, page_num):  # 保存html字符串
         file_path = '{}-第{}页.html'.format(self.tieba_name, page_num)
         with open(file_path, 'w', encoding='utf-8') as f:  # 样例： 李毅-第一页.html
             f.write(html_str)

     def run(self):  # 实现主要逻辑
         # 1.构造url列表
         url_list = self.get_url_list()
         # 2.遍历，发送请求，获取响应
         for url in url_list:
             html_str = self.parse_url(url)
             # 3.保存
             page_num = url_list.index(url) + 1  # 页码数
             self.save_html(html_str, page_num)

 if __name__ == '__main__':
     tieba_spider = TiebaSpider('李毅')
     tieba_spider.run()