糗事百科段子爬取

糗事百科段子爬取

• 爬取多页的段子

  一、网站分析

  （1）打开网站糗事百科，可以发现很多段子：

  

（2）经过翻页，可以发现网址的规律：

for k in range(0,10):
    url = "http://www.qiushibaike.com/8hr/page/"
    url = url + str(k) + "/?s=4985076"

（3）打开“查看源文件”，可以发现段子所在位置，可写出其正则表达式：

    pat = '<div class="content">\s*?<span>(.*?)</span>.*?</div>'

二、代码编写

#糗事百科
import urllib.request
import re

headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
for k in range(0,10):
    url = "http://www.qiushibaike.com/8hr/page/"
    url = url + str(k) + "/?s=4985076"
    data = opener.open(url).read().decode('utf-8','ignore')
    pat = '<div class="content">\s*?<span>(.*?)</span>.*?</div>'
    rst = re.compile(pat,re.S).findall(data)
    for i in range(0,len(rst)):
        print(rst[i])
        print("----------------")

三、结果展示

如无意外，可以输出结果：