爬虫——2020.9.30 正则解析案例

该博客介绍了如何使用正则表达式解析爬取糗事百科中某一页面的所有糗图,并探讨了分页爬取的策略,包括通过观察URL差异构建通用模板以及获取每页URL的方法。
摘要由CSDN通过智能技术生成

正则解析

爬取糗事百科中的某页所有糗图。

import requests
import re
import os
if __name__ == "__main__":
    if not os.path.exists('./qiutuLibs'):
        os.mkdir('./qiutuLibs')

    url = "https://www.qiushibaike.com/imgrank/"
    headers = {
        'User_Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
    }

    page_text = requests.get(url=url, headers=headers).text
    # with open('./page_text', 'w', encoding='utf-8') as fp:
    #     fp.write(page_text)

    #使用聚焦爬虫对页面中所有的糗图进行抓取
    extract_img_url = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
    img_src_list = re.findall(extract_img_url, page_text, re.S)
    for img_src in img_src_list:
        #拼接出完整的图片地址
        img_src = 'https:' + img_src
        img_data = requests.get(img_src, headers=headers).content
        #生成图片名称
        img_name = img_src.split('/')[-1]
        img_path = './qiutuLibs/' + img_name
        with open(img_path, 'wb') as fp:
            fp.write(img_data)
            print(f'图片{img_name}保存成功!')

正则解析——分页爬取

写入循环,观察每页url的区别特点。构建一个通用的模板。
另外一种方法:

url = "https://www.qiushibaike.com/imgrank/page/%d/"
for page in range(1,3):
     new_url = format(url%page)

获取到每页的url。

import requests
import re
import os
if __name__ == "__main__":
    if not os.path.exists('./qiutuLibs'):
        os.mkdir('./qiutuLibs')

    # url = "https://www.qiushibaike.com/imgrank/page/{}/"
    headers = {
        'User_Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
    }

    for page in range(1,3):
        url = f"https://www.qiushibaike.com/imgrank/page/{page}/"
        page_text = requests.get(url=url, headers=headers).text
        # with open('./page_text', 'w', encoding='utf-8') as fp:
        #     fp.write(page_text)

        #使用聚焦爬虫对页面中所有的糗图进行抓取
        extract_img_url = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
        img_src_list = re.findall(extract_img_url, page_text, re.S)
        for img_src in img_src_list:
            #拼接出完整的图片地址
            img_src = 'https:' + img_src
            img_data = requests.get(img_src, headers=headers).content
            #生成图片名称
            img_name = img_src.split('/')[-1]
            img_path = './qiutuLibs/' + img_name
            with open(img_path, 'wb') as fp:
                fp.write(img_data)
                print(f'图片{img_name}保存成功!')

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值