Python 函數(shù)式編程可以讓程序的思路更加清晰、易懂
定義相應(yīng)的函數(shù)，通過調(diào)用函數(shù)來執(zhí)行爬蟲程序
from urllib import request
from urllib import parse
# 拼接URL地址
def get_url(word):
url = 'http://www.baidu.com/s?{}'
#此處使用urlencode()進行編碼
params = parse.urlencode({'wd':word})
url = url.format(params)
return url
# 發(fā)請求,保存本地文件
def request_url(url,filename):
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0'}
# 請求對象 + 響應(yīng)對象 + 提取內(nèi)容
req = request.Request(url=url,headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')
# 保存文件至本地
with open(filename,'w',encoding='utf-8') as f:
f.write(html)
# 主程序入口
if __name__ == '__main__':
word = input('請輸入搜索內(nèi)容:')
url = get_url(word)
filename = word + '.html'
request_url(url,filename)下面以類的形式編寫爬蟲程序，并在類下編寫不同的功能函數(shù)，代碼如下所示：
from urllib import request,parse
import time
import random
from ua_info import ua_list #使用自定義的ua池
#定義一個爬蟲類
class TiebaSpider(object):
#初始化url屬性
def __init__(self):
self.url='http://tieba.baidu.com/f?{}'
# 1.請求函數(shù)，得到頁面，傳統(tǒng)三步
def get_html(self,url):
req=request.Request(url=url,headers={'User-Agent':random.choice(ua_list)})
res=request.urlopen(req)
#windows會存在亂碼問題，需要使用 gbk解碼，并使用ignore忽略不能處理的字節(jié)
#linux不會存在上述問題，可以直接使用decode('utf-8')解碼
html=res.read().decode("gbk","ignore")
return html
# 2.解析函數(shù)，此處代碼暫時省略，還沒介紹解析模塊
def parse_html(self):
pass
# 3.保存文件函數(shù)
def save_html(self,filename,html):
with open(filename,'w') as f:
f.write(html)
# 4.入口函數(shù)
def run(self):
name=input('輸入貼吧名：')
begin=int(input('輸入起始頁：'))
stop=int(input('輸入終止頁：'))
# +1 操作保證能夠取到整數(shù)
for page in range(begin,stop+1):
pn=(page-1)*50
params={
'kw':name,
'pn':str(pn)
}
#拼接URL地址
params=parse.urlencode(params)
url=self.url.format(params)
#發(fā)請求
html=self.get_html(url)
#定義路徑
filename='{}-{}頁.html'.format(name,page)
self.save_html(filename,html)
#提示
print('第%d頁抓取成功'%page)
#每爬取一個頁面隨機休眠1-2秒鐘的時間
time.sleep(random.randint(1,2))
#以腳本的形式啟動爬蟲
if __name__=='__main__':
start=time.time()
spider=TiebaSpider() #實例化一個對象spider
spider.run() #調(diào)用入口函數(shù)
end=time.time()
#查看程序執(zhí)行時間
print('執(zhí)行時間:%.2f'%(end-start)) #爬蟲執(zhí)行時間以面向?qū)ο蠓椒ň帉懪老x程序時，思路簡單、邏輯清楚，非常容易理解，上述代碼主要包含了四個功能函數(shù)，它們分別負責(zé)了不同的功能，總結(jié)如下：
1) 請求函數(shù)
請求函數(shù)最終的結(jié)果是返回一個 HTML 對象，以方便后續(xù)的函數(shù)調(diào)用它。
2) 解析函數(shù)
解析函數(shù)用來解析 HTML 頁面，常用的解析模塊有正則解析模塊、bs4 解析模塊。通過分析頁面，提取出所需的數(shù)據(jù)，在后續(xù)內(nèi)容會做詳細介紹。
3) 保存數(shù)據(jù)函數(shù)
該函數(shù)負責(zé)將抓取下來的數(shù)據(jù)保至數(shù)據(jù)庫中，比如 MySQL、MongoDB 等，或者將其保存為文件格式，比如 csv、txt、excel 等。
4) 入口函數(shù)
入口函數(shù)充當整個爬蟲程序的橋梁，通過調(diào)用不同的功能函數(shù)，實現(xiàn)數(shù)據(jù)的最終抓取。入口函數(shù)的主要任務(wù)是組織數(shù)據(jù)，比如要搜索的貼吧名、編碼 url 參數(shù)、拼接 url 地址、定義文件保存路徑。
爬蟲程序結(jié)構(gòu)
用面向?qū)ο蟮姆椒ň帉懪老x程序時，邏輯結(jié)構(gòu)較為固定，總結(jié)如下：
# 程序結(jié)構(gòu) class xxxSpider(object): def __init__(self): # 定義常用變量,比如url或計數(shù)變量等 def get_html(self): # 獲取響應(yīng)內(nèi)容函數(shù),使用隨機User-Agent def parse_html(self): # 使用正則表達式來解析頁面，提取數(shù)據(jù) def write_html(self): # 將提取的數(shù)據(jù)按要求保存，csv、MySQL數(shù)據(jù)庫等 def run(self): # 主函數(shù)，用來控制整體邏輯 if __name__ == '__main__': # 程序開始運行時間 spider = xxxSpider() spider.run()
爬蟲程序隨機休眠
在入口函數(shù)代碼中，包含了以下代碼：
#每爬取一個頁面隨機休眠1-2秒鐘的時間 time.sleep(random.randint(1,2))
爬蟲程序訪問網(wǎng)站會非常快，這與正常人類的點擊行為非常不符。因此，通過隨機休眠可以使爬蟲程序模仿成人類的樣子點擊網(wǎng)站，從而讓網(wǎng)站不易察覺是爬蟲訪問網(wǎng)站，但這樣做的代價就是影響程序的執(zhí)行效率
