使用python爬虫爬取糗事百科段子的小栗子
爬虫可以用挺多库来实现的吧,这里只是用了request发出请求,通过re正则表达式进行选择爬取,总的来说分为三步。如果可以,我币有了,点个赞,感谢支持
爬取源数据。 发出请求,获取数据
过滤数据。 过滤数据比如什么<br//>之类的,多了一个/是博客编码原因;
保存数据. 将需要的数据保存,这里只有保存为text 的栗子
过滤数据
此时我们要用到正则表达式,简单来说正则表达式就是.?和(.?)
你可以这样理解.?是扒拉扒拉的一堆我们不要的东西,而(.?)则是一堆
扒拉扒拉的我们需要的东西,两者就差一个括号
下面打开我们的爬取的网址https://www.qiushibaike.com/text/
在这里插入图片描述
可以看到需要的段子都放在class="article block untagged mb15 typs_long"的div中的class="content"的div中的span中
所以正则表达式pattern = ‘<div.?class=“article block untagged mb15 typs_long”.?>.?<.?class=“content”>.?(.?).*?’
1
这个就过滤掉了一些html 的元素
代码如下
import requests
import re
def start_spider():
r = requests.get(‘https://www.qiushibaike.com/text/’)
pattern = '<div.*?class="article block untagged mb15 typs_long".*?>.*?<.*?class="content">.*?<span>(.*?)</span>.*?</div>'
duanzi_list = re.findall(pattern,r.text,re.S)
print(duanzi_list)
start_spider()
在这里插入图片描述
这样就是提取了span之中的数据
但是还有一些
下面再过滤
在这里插入图片描述
好了已经差不多了
链接: link.
保存数据
import requests
import re
def start_spider():
r = requests.get(‘https://www.qiushibaike.com/text/’)
pattern = '<div.*?class="article block untagged mb15 typs_long".*?>.*?<.*?class="content">.*?<span>(.*?)</span>.*?</div>'
duanzi_list = re.findall(pattern,r.text,re.S)
print(duanzi_list)
#过滤
num = 1
for duanzi in duanzi_list:
filter_duanzi = re.sub('<br/>|"','',duanzi)
print(str(num) + '.' + filter_duanzi + '\n')
#保存数据
with open('糗事.txt','a',encoding = 'utf-8') as f:
f.write(str(num) + '.' + filter_duanzi + '\n')
num +=1
start_spider()
在这里插入图片描述
进阶
讲到这里,其实已经差不多完成了。
但是,段子只有一个,我们需要的是大量的数据。
原因在这,我们只是提取了
class="article block untagged mb15 typs_long"的div层,段子分开放在很多个div层的,这时候就是进一步理解正则表达的时刻
在这里插入图片描述
.?就是balabala一堆东西,前面提取class=“article block untagged mb15 typs_long”
这次把pattern换成这样
pattern = '<div.?class="article block untagged mb15 .?".?>.?<.?class=“content”>.?(.?).*?’
这就把全部的给过滤下来了
1
2
3
4
下面是完整的代码
import requests
import re
def start_spider():
r = requests.get(‘https://www.qiushibaike.com/text/’)
pattern = '<div.*?class="article block untagged mb15 .*?".*?>.*?<.*?class="content">.*?<span>(.*?)</span>.*?</div>'
duanzi_list = re.findall(pattern,r.text,re.S)
print(duanzi_list)
#过滤
num = 1
for duanzi in duanzi_list:
filter_duanzi = re.sub('<br/>|"','',duanzi)
print(str(num) + '.' + filter_duanzi + '\n')
#保存数据
with open('糗事.txt','a',encoding = 'utf-8') as f:
f.write(str(num) + '.' + filter_duanzi + '\n')
num +=1
start_spider()