Python爬取百思不得姐段子

Python爬取百思不得姐段子

利用urllib、random、re等模块

1 构建用户代理池(列表信息)
QQ浏览器:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6788.400 QQBrowser/10.3.2843.400
谷歌浏览器:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36
Microsoft Edge:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.18362
本程序只利用这三种浏览器作为代理池的浏览器,在实际应用中可以加入更多的浏览器数据到列表中

import urllib
import urllib.request
import random
uapools = [
    "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6788.400 QQBrowser/10.3.2843.400"
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.18362"
]
def UA():
    opener = urllib.request.build_opener()
    thisua = random.choice(uapools)
    ua = ("User-Agent",thisua)
    opener.addheaders = [ua]
    urllib.request.install_opener(opener) #加入到全局之后才可以应用

2 爬取段子内容
其中利用到了正则表达式,正则表达式之后会专门写一篇博文介绍,这里不多介绍了。

import re
for i in range(0,5):
    UA()
    url = "http://www.budejie.com/"+str(i+1)+""
    try:
        data = urllib.request.urlopen(url).read().decode("utf-8","ignore")
        pat = '<div class="j-r-list-c-desc">.*?<a href=".*?">(.*?)</a>.*?</div>'  #正则表达式
        res = re.compile(pat,re.S).findall(data) #通过正则表达式在网页源代码中获取段子内容
        print('第'+str(i+1)+'页')
        for j in range(0,len(res)):
            print(res[j])
            print('------')
    except Exception as err:
        pass

3 源代码
这个是把段子内容保存到文件中的代码。。。

import urllib
import urllib.request
import random
import re
uapools = [
    "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6788.400 QQBrowser/10.3.2843.400"
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.18362"
]
def UA():
    opener = urllib.request.build_opener()
    thisua = random.choice(uapools)
    ua = ("User-Agent",thisua)
    opener.addheaders = [ua]
    urllib.request.install_opener(opener)
    #print("当前的使用的UA:"+str(thisua))
#只是爬取前5页
for i in range(0,5):
    UA()
    url = "http://www.budejie.com/"+str(i+1)+""
    try:
        data = urllib.request.urlopen(url).read().decode("utf-8","ignore")
        pat = '<div class="j-r-list-c-desc">.*?<a href=".*?">(.*?)</a>.*?</div>'
        res = re.compile(pat,re.S).findall(data)
        print('第'+str(i+1)+'页')
        for j in range(0,len(res)):
            with open("百思不姐姐.doc","a+",encoding="utf-8")as f:
                f.write(res[j]+'\r\n')
    except Exception as err:
        pass

欢迎大家参考与交流

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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