作者:135369一生真爱_890 | 2022-12-26 17:38
这篇文章主要介绍了python正则爬取某段子网站前20页段子(request库)过程解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
首先还是谷歌浏览器抓包对该网站数据进行分析,结果如下:
该网站地址:http://www.budejie.com/text
该网站数据都是通过html页面进行展示,网站url默认为第一页,http://www.budejie.com/text/2为第二页,以此类推
对网站的内容段子所处位置进行分析,发现段子内容都是在一个 a 标签中
坑还是有的,这是我第一次写的正则:
content_list = re.findall(r'(.+?)', html_str)
之后发现竟然匹配到了一些推荐的内容,最后我把正则改变下面这样,发现没有问题了,关于正则的知识这里就不做过多解释了
content_list = re.findall(r'\s*
(.+?)', html_str)
现在要的是爬取前20页的段子并保存到本地,已经知道翻页的规律和匹配内容的正则,就直接可以写代码了
代码如下,整体思路还是和前两排爬虫博客一样,面向对象的写法:
import requests
import re
import json
class NeihanSpider(object):
"""内涵段子,百思不得其姐,正则爬取一页的数据"""
def __init__(self):
self.temp_url = 'http://www.budejie.com/text/{}' # 网站地址,给页码留个可替换的{}
self.headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
}
def pass_url(self, url): # 发送请求,获取响应
print(url)
response = requests.get(url, headers=self.headers)
return response.content.decode()
def get_first_page_content_list(self, html_str): # 提取第一页的数据
content_list = re.findall(r'\s*
(.+?)', html_str) # 非贪婪匹配
return content_list
def save_content_list(self, content_list):
with open('neihan.txt', 'a', encoding='utf-8') as f:
for content in content_list:
f.write(json.dumps(content, ensure_ascii=False))
f.write('\n') # 换行
print('成功保存一页!')
def run(self): # 实现主要逻辑
for i in range(20): # 只爬取前20页数据
# 1. 构造url
# 2. 发送请求,获取响应
html_str = self.pass_url(self.temp_url.format(i+1))
# 3. 提取数据
content_list = self.get_first_page_content_list(html_str)
# 4. 保存
self.save_content_list(content_list)
if __name__ == '__main__':
neihan = NeihanSpider()
neihan.run()
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
推荐阅读
-
如何解决《无法获取配置文件(google-services.json)》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《用redis水平缩放socket.io》经验,为你挑选了0个好方法。 ...
[详细]
-
如何解决《Spyder无法在Windows10上的Anaconda虚拟环境中运行》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《如何以编程方式禁用Windows10平板电脑屏幕的边缘滑动手势?》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《更改导航条目项目语言》经验,为你挑选了0个好方法。 ...
[详细]
-
如何解决《SamsungSHealth是独家三星API还是使用GoogleFit?》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《如何在javascript中字符串的每个单词的首字母大写?》经验,为你挑选了0个好方法。 ...
[详细]
-
如何解决《'function'对象没有属性'as_view'》经验,为你挑选了2个好方法。 ...
[详细]
-
如何解决《R中的OR表达式》经验,为你挑选了0个好方法。 ...
[详细]
-
如何解决《AndroidRealm大文件大小》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《为什么我不能在Haskell中的连接函数(++)上进行模式匹配?》经验,为你挑选了2个好方法。 ...
[详细]
-
如何解决《SeleniumGrid+转发新会话时出错,VM空池用于设置功能》经验,为你挑选了0个好方法。 ...
[详细]
-
如何解决《Flask-restfulAPI授权.访问装饰器内的current_identity》经验,为你挑选了2个好方法。 ...
[详细]
-
如何解决《如何在AnkoDSL中引用其他视图?》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《没有从Prestashop1.6.1.1网站收到管理员订单确认电子邮件》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《Python3中的整数除法-带有负数的奇怪结果》经验,为你挑选了2个好方法。 ...
[详细]
-
如何解决《使用preparedStatement.setDate查询MySQL数据库》经验,为你挑选了0个好方法。 ...
[详细]
-
如何解决《Mongodb数组$push和$pull》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《删除android中的标记》经验,为你挑选了1个好方法。 ...
[详细]
-
如何解决《在UITestingXcode7中获取表的每个部分中的行数》经验,为你挑选了1个好方法。 ...
[详细]
135369一生真爱_890
这个屌丝很懒,什么也没留下!