python3自动爬笑话



学校的服务器可以上外网了，所以打算写一个自动爬取笑话并发到bbs的东西，从网上搜了一个笑话网站，感觉大部分还不太冷，html结构如下：

        可以看到，笑话的链接列表都在<div class="list_title">里面，用正则表达式可以把最近的几个笑话地址找出来，再进到一个笑话页面看下：

        每一个笑话页面里面是有多个小笑话组成的，全部在<span id="text110">标签下，每个小笑话又单独一个<p>包裹，这样非常容易就可以把每个单独笑话放到一个list中。由于我爬笑话的目的是每天白天一个小时发一个笑话，所以爬取20个是足够的了，每个页面平均有5个小笑话，爬4个页面就OK啦。这里有几个细节，这个笑话网有的链接是有中文的，比如：

[html] view plain copy print ?

1. <a href="/jokehtml/冷笑话/2014051200030765.htm" target="_blank">读书破万卷,搞笑如有神</a>  

<a href="/jokehtml/冷笑话/2014051200030765.htm" target="_blank">读书破万卷,搞笑如有神</a>

直接urllib.request.urlopen函数不能解析中文的URL，必须要urllib.parse先转码一下才能正确解析。还有一个细节是每段的小笑话之间是有换行的，用正则表达式的“.”是不能匹配换行符的，需要改成“[\w\W]”才能匹配。好了，下面是代码：

[python] view plain copy print ?

1. import urllib.request  
2. import urllib.parse  
3. import re  
4.   
5. rule_joke=re.compile('<span id=\"text110\">([\w\W]*?)</span>')  
6. rule_url=re.compile('<a href=\"(.*?)\"target=\"_blank\" >')  
7. mainUrl='http://www.jokeji.cn'  
8. url='http://www.jokeji.cn/list.htm'  
9.   
10. req=urllib.request.urlopen(url)  
11. html=req.read().decode('gbk')  
12. urls=rule_url.findall(html)  
13. f=open('joke.txt','w')  
14. for i in range(4):  
15.     url2=urllib.parse.quote(urls[i])  
16.     joke_url=mainUrl+url2  
17.     req2=urllib.request.urlopen(joke_url)  
18.     html2=req2.read().decode('gbk')  
19.     joke=rule_joke.findall(html2)  
20.     jokes=joke[0].split('<P>')  
21.       
22.     for i in jokes:  
23.         i=i.replace('</P>','')  
24.         i=i.replace('<BR>','')  
25.         i=i[2:]  
26.         f.write(i)  
27. f.close()  

import urllib.request
import urllib.parse
import re

rule_joke=re.compile('<span id=\"text110\">([\w\W]*?)</span>')
rule_url=re.compile('<a href=\"(.*?)\"target=\"_blank\" >')
mainUrl='http://www.jokeji.cn'
url='http://www.jokeji.cn/list.htm'

req=urllib.request.urlopen(url)
html=req.read().decode('gbk')
urls=rule_url.findall(html)
f=open('joke.txt','w')
for i in range(4):
	url2=urllib.parse.quote(urls[i])
	joke_url=mainUrl+url2
	req2=urllib.request.urlopen(joke_url)
	html2=req2.read().decode('gbk')
	joke=rule_joke.findall(html2)
	jokes=joke[0].split('<P>')
	
	for i in jokes:
		i=i.replace('</P>','')
		i=i.replace('<BR>','')
		i=i[2:]
		f.write(i)
f.close()

看下爬取的结果：

        这样，每行是一个单独的笑话，方便其他程序使用。

转自http://blog.csdn.net/littlethunder/article/details/25693641