爬取糗百,lxml/re/BeautifulSoup 分别对比

这篇博客分享了作者在爬取糗事百科时,使用lxml、正则表达式(re)和BeautifulSoup进行网页解析的实践。文章指出在XPath爬取过程中遇到的问题,即作者信息在<span>和<a>标签中不一致,导致数据整合困难,并寻求社区的帮助。同时,博主还提到计划改进爬虫性能并直接将结果写入Excel文件。
摘要由CSDN通过智能技术生成

增加了时间统计,另外直接写入excel,还有些问题需要解决:

xpath爬取时发现,作者中有些位于span下,有些位于a下,不知道如何才能将两者组合在一起,发帖求问~~~

 

import requests
import re
import time
import random
import xlwt
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):
    start = time.time()
    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.strip(), laugh, content.strip().replace(
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