spider_object_01使用正则爬取百度贴吧所有内容保存成html

"""
本案例不涉及数据提取，
仅指导   网页分页爬取的两种方式  思路
非
第一种：利用while Ture，传参，然后在设定一个判断条件，案例中用的是如果找不到下一页，循环退出(可用于异步刷新网站)
第二种：利用while Ture不断循环， 获取下一页url，获取不到，循环退出。 优化了异常处理。当输入的贴吧名称有误时，程序重新运行
"""
import requests
from fake_useragent import FakeUserAgent
import time
import random
import re

# 第一种，定义一个url
def f1():
    num = 1
    kw=input("请输入贴吧名称>>")
    pn=0
    # 获取网页
    # 定义一个url
    # 不断运行代码
    while True:
        base_url ="http://tieba.baidu.com/f?kw={}&ie=utf-8&pn={}"
        userAgent = FakeUserAgent().random
        headers = {"User-Agent":userAgent}
        htmlStr = requests.get(url=base_url.format(kw,pn),headers=headers).text

        """
        对网页进行处理，不影响提取内容，
        只影响页面显示，在这里主要是想把replace
        这个函数练习一下(替换内容，用来处理字符串)
        支持链式规则
        """
        htmlStr=htmlStr.replace('-->','').replace('-->','')
        # print(htmlStr)
        # 进行保存
        with open(r'./baidutieba/百度贴吧第%s页.html'%num,'w',encoding='utf-8') as f:
            f.write(htmlStr)
        print('主人，运行状态良好，正在保存第%s页'%num)
        if htmlStr.find('class="next pagination-item " >') == -1:
            break

        # 设置延迟时间
        time.sleep(1.5)

        #运行一次，url的参数改变一次
        num+=1
        pn+=50

# 第二种
def f2():
    num = 1
    kw = input(">>请输入贴吧名称：")
    # 定义一个初始url
    url = 'http://tieba.baidu.com/f?kw={}&ie=utf-8&pn=0'.format(kw)
    # 随机user-agent
    while True:
        userAgent = FakeUserAgent().random
        headers = {"User-Agent": userAgent}
        # 获取到html网页（字符串）
        htmlStr = requests.get(url, headers=headers).text

    # 保存
        with open(r'./baidutieba/百度贴吧第%s页.html' % num, 'w', encoding='utf-8') as f:
            f.write(htmlStr)
        print("正在保存第%s页"%num)
        try:
            # 获取到下一页的url
            result = re.findall(r'<a href="(.*?)" class="next pagination-item " >', htmlStr)
            print(result[0])
            print(type(result[0]))
            if result:
                url = 'http:'+ result[0]
            else:
                break
            # 设置延时时间
            time.sleep(1.5)
            num += 1
        except Exception as e:
            print(e,"输入贴吧名称有误")
            f2()

if __name__ == '__main__':
    # f1()
    f2()