Python爬虫学习(八)爬网页文字信息

以糗事百科网站为例

文字笑话的URL格式是这样的:https://www.qiushibaike.com/text/page/1/  一共13页

代码:

#糗事百科爬虫
import urllib.request
import re

def getcontent(url, page):
    headers = ("User-Agent",
               "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36")
    opener = urllib.request.build_opener()
    opener.addheaders = [headers]
    urllib.request.install_opener(opener)
    file = urllib.request.urlopen(url).read()
    file = file.decode('utf-8', 'ignore')
    content_pattern = '<div class="content">.*?<span>(.*?)</span>.*?</div>'
    contents = re.compile(content_pattern, re.S).findall(file)
    print('写入第' + str(page) + '页\n')
    filehandle = open("F:/pythonpic/xiubai/" + str(page) + ".txt", 'w')
    for content in contents:
        content = content.replace("<br/>", "\n")
        try:
            filehandle.write(content)
        except UnicodeError as u:
            continue

    filehandle.close()


for i in range(1, 14):
    url = "https://www.qiushibaike.com/text/page/"+str(i)+"/"
    getcontent(url, i)




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