使用urllib爬取简书中文章标题和简介

最新推荐文章于 2024-05-02 17:44:17 发布

清欢Viki

最新推荐文章于 2024-05-02 17:44:17 发布

阅读量263

点赞数

分类专栏：爬虫文章标签： urllib re

本文链接：https://blog.csdn.net/weixin_42089175/article/details/95939640

版权

爬虫专栏收录该内容

5 篇文章 0 订阅

订阅专栏

介绍

使用urllib的request方法，配合re正则进行静态页面基本数据爬取

代码


import  re
from urllib import request
# headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}
# req=request.Request('http://www.jianshu.com',headers=headers)
# resp = request.urlopen(req)
# text=resp.read().decode()   #获取简书首页数据
# #print(text)
# reg=r'<a class="title"[^>]*>(.*?)</a>' #标题的正则
# regse=r'<p class="abstract".*>\s*(\S*)\s*' #摘要的正则
# pattern=re.compile(reg)  #正则匹配
# patternse=re.compile(regse)
# contain=pattern.findall(text,re.M)  #寻找所有正则匹配的串
# containse=patternse.findall(text,re.M)
# for (tie,ab) in zip(contain,containse): #联立输出
#      print("标题:",tie)
#      print("摘要:",ab)

class jianshuhome(object):
    def __init__(self):
        self.url = 'https://www.jianshu.com'

    def get_page(self):
        #浏览器标识，基本爬取前缀，不加一般拒绝访问
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}
        req = request.Request(self.url, headers=headers)
        resp = request.urlopen(req)
        data = resp.read().decode()
        return data

    def parse_data(self, data):
        #正则匹配
        article = re.findall(r'<a class="title".*?>(.*?)</a>.*?<p class="abstract">(.*?)</p>', data, re.S)
        return article


if __name__ == '__main__':
    jianshu = jianshuhome()
    data = jianshu.get_page()
    for i in jianshu.parse_data(data):
        print(i[0])
        print(i[1])