Python 爬取糗百, 分别采用re正则表达式,beautifulsoup 及 lxml做对比

本文介绍了使用Python进行糗事百科爬取的三种方法:正则表达式re、BeautifulSoup以及lxml库。通过对比,探讨它们在数据抓取和清洗过程中的效果和适用场景。虽然代码未涉及数据写入Excel,但已将数据整理到列表,为后续处理做好准备。
摘要由CSDN通过智能技术生成

三种方法爬取,数据清洗到列表里,下一步可以直接写入到excel等文件,这里就没写了。代码如下:

 

import requests
import re
import time
import random
from bs4 import BeautifulSoup
from lxml import etree


def get_text(url, code):
    try:
        r = requests.get(url, timeout=30)
        r.encoding = code
        r.raise_for_status()
        return r.text
    except BaseException:
        return ''


def re_crawl(html):
    ls = []
    authors = re.findall('<h2>(.*?)</h2>', html, re.S)
    contents = re.findall('<span>(.*?)</span>', html, re.S)
    laughs = re.findall('<i class="number">(\d{1,5})</i>', html ,re.S)
    for author, content,laugh in zip(authors, contents, laughs):
        ls.append([author.replace("\n", ''), laugh, content.replace("\n", '').replace("<br/>", '')])
    ret
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