python 爬取博客

import requests
import re


url='https://blog.csdn.net/maosijunzi/article/details/79988540'
header = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_5) AppleWebKit/537.36 (KHTML, like Gecko) '
                         'Chrome/48.0.2564.116 Safari/537.36',
           'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
           'Accept-Encoding': 'gzip', 'Accept-Language': 'zh-CN,zh;q=0.8,en;q=0.6,zh-TW;q=0.4'
}


def getHtml(url):
    conn = requests.session()
    html=conn.get(url, headers=header)
    print(html.text)
    return html.text


def getContent():
    html=getHtml(url)
    title_article = re.findall("<h1 class=\"title-article\">(.*)</h1>", html)
    print("标题:", title_article[0])
    title_time = re.findall("<span class=\"time\">(.*)</span>", html)
    print("时间:", title_time[0])
    content = re.findall("<div .*? class=\"(markdown_views.*?|htmledit_views.*?).*?>(.*?)</div[^\"]", html, re.M | re.S)
    content = str(content[0])
    content = content.replace("&lt;", "<")
    content = content.replace("&gt;", ">")
    content = content.replace("\\n", "<br>")
    content = content.replace("\\t", "     ")
    print('内容:', content)
    file=open(str(title_article[0]) + '.html', 'w+')
    file.write(str(title_article[0]) + '<br>')
    file.write(str(title_time[0]) + '<br>')
    file.write(str(content) + '\n')
    file.close()


getContent()

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