简单python爬虫程序(爬取百度贴吧帖子)

1.URL地址分析

选取的一个百度贴吧帖子的网址是http://tieba.baidu.com/p/4739169817，各位可以点击进去查看一下。
如果点击只看楼主或者翻页，则会产生两个参数http://tieba.baidu.com/p/4739169817?pn=2或http://tieba.baidu.com/p/4739169817?see_lz=1，分析一下该网址如下：

2.页面爬取

python2.7版本，代码如下：

123456789101112131415161718

#coding=utf-8__author__ = 'xuzhengxi'import sys sys.path.append("/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/")import urllib2 import string 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(sName,'w+') m = urllib2.urlopen(url,str(i)).read()   f.write(m) f.close()bdurl = str(raw_input(u'请输入贴吧地址，去掉pn=后面的数字: \n')) begin_page = int(raw_input(u'请输入开始页数： \n')) end_page = int(raw_input(u'请输入终止页数： \n')) baidu_tieba(bdurl,begin_page,end_page)

注意:　utf-8编码声明，否则容易出现乱码问题。此demo仅使用一些简单的页面爬取，对于有ajax之类的异步加载技术的网站不适用，需要一些成熟的爬虫框架。