静态网站爬取文本信息实例(requests,re,pool)

 1 import requests
 2 import re
 3 import json
 4 from requests.exceptions import RequestException
 5 from multiprocessing import Pool
 6 
 7 def get_one_page(url):
 8     headers = {
 9         "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
10     try:
11         r=requests.get(url,headers=headers)
12         r.encoding='utf-8'
13         if r.status_code==200:
14             return r.text
15         return None
16     except RequestException:
17         return None
18 
19 def parse_one_page(html):
20     #pattern=re.compile('<div.*?790.*?<a.*?>(.*?)</a>.*?<div.*?>"(.*?)"</div>',re.S)
21     pattern=re.compile('<h3>.*?">(.*?)</a>.*?">(.*?)</div>',re.S)
22     items=re.findall(pattern,html)
23     for item in items:
24         yield {
25             'title':item[0],
26             'content':item[1].replace(u'\u3000',u'')
27         }
28 
29 def write(content):
30     with open('1.txt','a',encoding='utf-8') as f:
31         f.write(json.dumps(content,ensure_ascii=False)+'\n')
32 def main(p):
33     url="http://www.neihan8.com/article/index_"+str(p)+".html"
34     html=get_one_page(url)
35     for item in parse_one_page(html):
36         print(item)
37         write(item)
38 
39 if __name__=='__main__':
40     #for p in range(2,100):
41         #main(p)
42     pool=Pool()
43     pool.map(main,[p for p in range(2,50)])

 

转载于:https://www.cnblogs.com/realmonkeykingsun/p/7956567.html

  • 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