Python3实现百度贴吧数据爬取与本地保存教程

Ivy

发布时间：2026-10-13| 6人浏览过

原创

本文介绍如何使用Python3结合urllib库实现百度贴吧指定页面的数据爬取。通过解析URL中pn参数的分页规律，编写脚本批量获取HTML源码，并将结果保存为本地文本文件。教程包含完整的代码示例、URL规则分析及控制台运行效果，适合Python初学者进行网络爬虫入门实践。

本文分享一种基于Python3的解决方案，用于爬取指定的百度贴吧页面，并将获取的数据保存生成本地文档。该方法可供读者参考学习。

首先，我们需要创建一个名为tieba.py的Python文件。目标是实现输入指定的百度贴吧名称以及页面范围后，自动爬取对应页面的HTML代码。为此，我们首先需要观察贴吧URL的结构规律，例如：

百度贴吧LOL吧第一页的URL为：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

第二页的URL为：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50

第三页的URL为：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

通过对比可以发现规律：贴吧不同页面之间的唯一区别在于URL末尾的pn参数值，其余部分保持一致。我们可以利用这一规律进行抓取，其中kw参数代表贴吧名称，需进行URL编码处理。

明确了URL规则后，我们可以利用urllib库进行批量数据爬取，具体代码如下：

# -*- coding:utf-8 -*-
from urllib import request as urllib2
from urllib import parse
import random
def loadPage(url, page):
  '''
  根据url获取服务器响应文件
  url:需要爬取的url
  '''
  print('---------正在下载页面%d-------' % page)
  ua_list = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Mozilla/5.0 (Windows NT 6.1; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"
  ]
  header = random.choice(ua_list)
  request = urllib2.Request(url)
  request.add_header('User-Agent', header)
  response = urllib2.urlopen(request)
  html = response.read()
  return html
def write(html, page):
  '''
  将html文件写入本地
  :param html: 服务器响应文件内容
  :return:
  '''
  data = html
  file_name = 'tieba{}.txt'.format(page)
  print('---------正在保存文件%s-------'%file_name)
  # 运用with open as语句使代码更加简洁 避免写异常处理和文件关闭语句
  with open(file_name,'w',encoding='utf-8') as file:
    file.write(data.decode())
  print('---------success!---------')
def tiebaSpider(url, kw, begin, end):
  '''
  爬取贴吧信息
  '''
  words = {
    'kw':kw
  }
  kw = parse.urlencode(words)
  url = url % (kw)
  for page in range(begin, end + 1):
    pn = ((page-1)*50)
    ful_url = url + str(pn)
    html = loadPage(url, page)
    write(html, page)
if __name__ == '__main__':
  kw = input('请输入爬取贴吧名:')
  beginPage = int(input('请输入起始页:'))
  endPage = int(input('请输入结束页:'))
  url = r'http://tieba.baidu.com/f?%s&pn='
  tiebaSpider(url, kw, beginPage, endPage)

控制台的运行结果如下所示：

请输入爬取贴吧名:河南请输入起始页:1 请输入结束页:3 ---------正在下载页面1------- ---------正在保存文件tieba1.txt------- ---------success!--------- ---------正在下载页面2------- ---------正在保存文件tieba2.txt------- ---------success!--------- ---------正在下载页面3------- ---------正在保存文件tieba3.txt------- ---------success!--------- Process finished with exit code 0

如需了解更多Python相关知识，可参考本站系列教程，包括《Python Socket编程技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》以及《Python文件与目录操作技巧汇总》。

希望本文所述内容能对各位Python程序设计人员有所帮助。