pyhton使用正则抓取古诗文

本文介绍了一个使用Python和正则表达式实现的古诗文爬虫项目。该爬虫能够从指定网站抓取古诗文的标题、朝代、作者及内容,并通过正则表达式解析网页数据。文章详细展示了爬虫的代码实现过程。

正则表达式爬取古诗文

# -*- coding:utf-8 -*-

import  requests
import re

class Gushiwen_Spider(object):
    def __init__(self):
        self.url = "https://www.gushiwen.org/default_{}.aspx"
        self.headers = {
            "Referer":"https://www.gushiwen.org/gushi/",
            "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36"
        }

    def get_response(self,url):
        response = requests.get(url,headers=self.headers)
        data = response.content.decode("utf-8")
        # print(data)
        return data

    def parse_data(self,data):
        titles = re.findall(r'<div class="cont">.*?<b>(.*?)</b>',data,re.DOTALL)
        dynasties = re.findall(r'<p class="source"><a .*?>(.*?)</a>',data,re.DOTALL)
        authors = re.findall(r'<p class="source"><a .*?>.*?<a .*?>(.*?)</a>',data,re.DOTALL)
        content_tags = re.findall(r'<div class="contson" .*?>(.*?)</div>',data,re.DOTALL)
        contents = []
        for content in content_tags:
            a = re.sub(r'<.*?>',"",content)
            contents.append(a.split())
        poems = []
        for value in zip(titles,dynasties,authors,contents):
            tittle,dynasty,author,content = value
            poem = {
                "tittle":tittle,
                "dynasty": dynasty,
                "author":author,
                "content":content
            }
            poems.append(poem)

        for poem in poems:
            print(poem)

    def main(self):
        for i in range(101):
            url = self.url.format(i)
            data = self.get_response(url)
            self.parse_data(data)

if __name__ == '__main__':
    Gushiwen_Spider().main()
【为什么学爬虫?】        1、爬虫入手容易,但是深入较难,如何写出高效率的爬虫,如何写出灵活性高可扩展的爬虫都是一项技术活。另外在爬虫过程中,经常容易遇到被反爬虫,比如字体反爬、IP识别、验证码等,如何层层攻克难点拿到想要的数据,这门课程,你都能学到!        2、如果是作为一个其他行业的开发者,比如app开发,web开发,学习爬虫能让你加强对技术的认知,能够开发出更加安全的软件和网站 【课程设计】 一个完整的爬虫程序,无论大小,总体来说可以分成三个步骤,分别是:网络请求:模拟浏览器的行为从网上抓取数据。数据解析:将请求下来的数据进行过滤,提取我们想要的数据。数据存储:将提取到的数据存储到硬盘或者内存中。比如用mysql数据库或者redis等。那么本课程也是按照这几个步骤循序渐进的进行讲解,带领学生完整的掌握每个步骤的技术。另外,因为爬虫的多样性,在爬取的过程中可能会发生被反爬、效率低下等。因此我们又增加了两个章节用来提高爬虫程序的灵活性,分别是:爬虫进阶:包括IP代理,多线程爬虫,图形验证码识别、JS加密解密、动态网页爬虫、字体反爬识别等。Scrapy和分布式爬虫:Scrapy框架、Scrapy-redis组件、分布式爬虫等。通过爬虫进阶的知识点我们能应付大量的反爬网站,而Scrapy框架作为一个专业的爬虫框架,使用他可以快速提高我们编写爬虫程序的效率和速度。另外如果一台机器不能满足你的需求,我们可以用分布式爬虫让多台机器帮助你快速爬取数据。 从基础爬虫到商业化应用爬虫,本套课程满足您的所有需求!【课程服务】 专属付费社群+定期答疑
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