内涵段子所有段子Spider

代码不是很完美, 抓取的数据中少数几个带有html标签!
╮(╯▽╰)╭ 只怪自己太cai, 还没有想好怎么把正则表达式写的再完美一点。

在这里插入图片描述
抓取代码

#encoding=utf-8

import requests
import json
import re

class NeihanSpider:

    def __init__(self):
        self.headers = {"user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36"}
        self.url = "http://www.neihanshu.net/text/index{}{}.html"
        self.sum = 0

    def get_url_list(self, url):
        url_list = [self.url.format("", "")]
        for i in range(133):
            url_list.append(self.url.format("_", i + 2))
        return url_list

    def parse_url(self, url):
        response = requests.get(url, headers=self.headers)
        return response.content.decode()

    def get_content_list(self, html_str):
        return re.findall(r"<div class=\"article-body\".*?<p>([^&quot;].*?)</p>", html_str, re.S)

    def save_content_list(self, content_list, page_number):
        with open("neihan.txt", "a", encoding="utf-8") as f:
            for content in content_list:
                self.sum += 1           # 记录是第几个段子
                f.write(str(self.sum) + "  " + json.dumps(content, ensure_ascii=False) + "\n\n")
            print("第{}页保存成功".format(page_number + 1))

    def run(self):
        # 生成rul 列表
        url_list = self.get_url_list(self.url)
        # 发送请求, 获取响应
        for url in url_list:
            html_str = self.parse_url(url)
            # 提取数据
            content_list = self.get_content_list(html_str)
            # 保存数据
            self.save_content_list(content_list, url_list.index(url))

if __name__ == "__main__":
    neihanspider = NeihanSpider()
    neihanspider.run()
  • 1
    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