教程https://edu.aliyun.com/course/1994?spm=5176.13944111.1409070.5.416828fchtN5cX
1. 准备
浏览器访问嗅事百科,确认地址和段子的 html 内容
# 地址:翻页i
# https://www.qiushibaike.com/text/page/1/
确定提取 正则表达式:
pat = '<div class="content">.*?<span>(.*?)</span>.*?</div>'
# 段子内容 --> 确定正则表达式:pat = '<div class="content">.*?<span>(.*?)</span>.*?</div>'
<div class="content">
<span>
参加哥们老娘八十岁生日寿宴。<br>去的有点早,乡村酒席要等客齐了,才开始,就跟哥们一边看电视边闲聊。<br>我没话找话问哥们:你小时候,你老娘跟你说最多的是啥话?<br>他:当然是∽外面跪着去,晚上不许吃饭。<br>听他这样说,我笑笑道:小时候老娘也是经常这样对我说的。<br>我们正聊着,就听到老太太在房里大声说:狗剩外面跪着去,晚上不准吃饭。<br>哥们从沙发上直溜溜滑地板上跪着了。<br>这不是重点,重点是边上一起看电视的他家八十二岁的老爷子也笔直跪下了。。
</span>
</div>
2. 模拟浏览器代理
模拟 User-Agent 否则网站反爬 无法无法respose
uapools = [
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.15; rv:74.0) Gecko/20100101 Firefox/74.0",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.1 Safari/605.1.15"
]
def UA():
opener = urllib.request.build_opener()
thissua = random.choice(uapools)
ua = ("User-Agent", thissua)
opener.addheaders = [ua]
urllib.request.install_opener(opener)
print("当前UA:" + str(thissua))
3. 代码
# 翻页
# https://www.qiushibaike.com/text/page/1/
# 段子内容
# <div class="content">
# <span>
#
#
# 参加哥们老娘八十岁生日寿宴。<br>去的有点早,乡村酒席要等客齐了,才开始,就跟哥们一边看电视边闲聊。<br>我没话找话问哥们:你小时候,你老娘跟你说最多的是啥话?<br>他:当然是∽外面跪着去,晚上不许吃饭。<br>听他这样说,我笑笑道:小时候老娘也是经常这样对我说的。<br>我们正聊着,就听到老太太在房里大声说:狗剩外面跪着去,晚上不准吃饭。<br>哥们从沙发上直溜溜滑地板上跪着了。<br>这不是重点,重点是边上一起看电视的他家八十二岁的老爷子也笔直跪下了。。
#
# </span>
#
# </div>
import random
import re
import urllib
import urllib.request
# 爬取地址
url_base= "https://www.qiushibaike.com/text/page/"
# url_qiushi = "https://www.qiushibaike.com/"
# 正则匹配表达式
pat = '<div class="content">.*?<span>(.*?)</span>.*?</div>'
# 保存文件路径
filename = "content.txt"
# 爬取页数
pageCount = 20
# 模拟chrome /firefox/ sarfari 浏览器UA
uapools = [
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.15; rv:74.0) Gecko/20100101 Firefox/74.0",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.1 Safari/605.1.15"
]
# 模拟浏览器代理
def UA():
opener = urllib.request.build_opener()
thissua = random.choice(uapools)
ua = ("User-Agent", thissua)
opener.addheaders = [ua]
urllib.request.install_opener(opener)
print("当前UA:" + str(thissua))
# 内容追加到文件
def writeToFile(fileName,str,index):
with open(fileName, 'a') as file_object:
file_object.write("\n--------------["+index+"]-----------------------\n")
file_object.write(str)
count = 1;
UA()
for i in range(1, pageCount):
if i % 5 == 0:# 没翻页5次,换取一个UA
UA()
url_qiushi = url_base+str(i)
print("url:"+url_qiushi)
dataua = urllib.request.urlopen(url_qiushi).read().decode("utf-8", "ignore")
result = re.compile(pat,re.S).findall(dataua)
for j in range(0,len(result)):
temp = str(result[j]).replace("\n","").replace('<br/>','\n')
writeToFile(filename,temp,str(count))
count = count +1
4. 效果
--------------[1]-----------------------
快要过生日了,老公早早就开始准备礼物,问我想要啥,我想着每年都是鲜花巧克力,费钱还不实用,我们已经过了浪漫的年纪了!挑礼物应该挑能保值的或者实用的!跟老公说了,老公表示明白,今天上午接到老公电话,让我在家别出门,有神秘礼物,还一个劲地说根据我要求买的,保证我喜欢!
我美呆了,一直在猜测是啥,黄金还是钻石?不管了,反正都喜欢!正想着,老公带着物流师傅来了,师傅背上还背了个大箱子,我有点懵,老公指挥师傅把箱子放下,边拆箱子边开心地说:媳妇你看,你的生日礼物!一台大冰箱!实用吧,可以放好多啤酒呢!以后…
--------------[2]-----------------------
自从上次最后一盆仙人掌,被我用开水误浇熟后,上司觉得很衰,再也不敢养花养草了,今年改养金蟾,每天泡茶用茶水浇,养的乌漆溜黑的,浑身流光,上司心情可好了。。。
今年去他办公室,烧水泡香飘飘奶茶,很好奇她的金蝉,觉得老喝茶对胃不好,好心的用泡好的奶茶喂了它一下。。。
就在刚才,领导问我他的金蟾是不是病了,浑身发白,怎么用茶水养,都是泛白。。。