糗事百科

最新推荐文章于 2020-09-10 23:07:49 发布

miaomiao0313

最新推荐文章于 2020-09-10 23:07:49 发布

阅读量452

点赞数

分类专栏：爬信息文章标签： python 博客爬虫糗事百科

本文链接：https://blog.csdn.net/miaomiao0313/article/details/53729662

版权

爬信息专栏收录该内容

6 篇文章 0 订阅

订阅专栏

http://www.qiushibaike.com/

这是本次爬取的网址，任务是需要爬取姓名、段子内容和评论人数。

http://www.qiushibaike.com/8hr/page/3/?s=4940212

http://www.qiushibaike.com/8hr/page/4/?s=4940212

观察每页网址发现，变量只有page后的数字，故url可写为如下：

url = 'http://www.qiushibaike.com/8hr/page/'+str(page)

打开页面源代码，可以看出所需内容并没有在一个小范围内，比较分散，便想到用正则将内容匹配出来，进行包括换行符在内的匹配需要用到re.S,当然，在具体操作中还需要对内容进行修改，比如去掉没用的代码等等，以下为完整代码:

#coding=utf-8

import re
import urllib
import urllib2

for page in range(1,36):
  url = 'http://www.qiushibaike.com/8hr/page/'+str(page)
  user_agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:49.0)'
  headers = {'User-Agent':user_agent}
  qq = open("QSBK.txt", "a+")
  try:
    request = urllib2.Request(url,headers=headers)
    response = urllib2.urlopen(request)
    content = response.read().decode('utf-8')
    pattern = re.compile(r'<div class="author clearfix">.*?href.*?<img src.*?title=.*?<h2>(.*?)</h2>.*?<div class="content">(.*?)</div>.*?<i class="number">(.*?)</i>',re.S)
    items = re.finditer(pattern,content)
    for item in items:
        i = re.sub(r'<span>', '', item.group(2))
        i = re.sub(r'<br/>', '', i)
        i = re.sub(r'</span>','',i)
        a = item.group(1).replace('\n','')
        b = i.replace('\n','')
        c = item.group(3).replace('\n','')
        print a+'|'+b+'|'+c
        qq.write(a.encode('utf-8')+'|'+b.encode('utf-8')+'|'+c.encode('utf-8')+'\n')
  except urllib2.URLError,e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason
qq.close()