python正則爬取某段子網(wǎng)站前20頁段子(request庫)過程解析
首先還是谷歌瀏覽器抓包對該網(wǎng)站數(shù)據(jù)進(jìn)行分析,結(jié)果如下:
該網(wǎng)站地址:http://www.budejie.com/text
該網(wǎng)站數(shù)據(jù)都是通過html頁面進(jìn)行展示,網(wǎng)站url默認(rèn)為第一頁,http://www.budejie.com/text/2為第二頁,以此類推
對網(wǎng)站的內(nèi)容段子所處位置進(jìn)行分析,發(fā)現(xiàn)段子內(nèi)容都是在一個(gè) a 標(biāo)簽中
坑還是有的,這是我第一次寫的正則:
content_list = re.findall(r'<a href="/detail-.*" rel="external nofollow" rel="external nofollow" rel="external nofollow" >(.+?)</a>', html_str)
之后發(fā)現(xiàn)竟然匹配到了一些推薦的內(nèi)容,最后我把正則改變下面這樣,發(fā)現(xiàn)沒有問題了,關(guān)于正則的知識這里就不做過多解釋了
content_list = re.findall(r'<div class="j-r-list-c-desc">\s*<a href="/detail-.*" rel="external nofollow" rel="external nofollow" rel="external nofollow" >(.+?)</a>', html_str)
現(xiàn)在要的是爬取前20頁的段子并保存到本地,已經(jīng)知道翻頁的規(guī)律和匹配內(nèi)容的正則,就直接可以寫代碼了
代碼如下,整體思路還是和前兩排爬蟲博客一樣,面向?qū)ο蟮膶懛ǎ?/strong>
import requests import re import json class NeihanSpider(object): """內(nèi)涵段子,百思不得其姐,正則爬取一頁的數(shù)據(jù)""" def __init__(self): self.temp_url = 'http://www.budejie.com/text/{}' # 網(wǎng)站地址,給頁碼留個(gè)可替換的{} 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): # 發(fā)送請求,獲取響應(yīng) print(url) response = requests.get(url, headers=self.headers) return response.content.decode() def get_first_page_content_list(self, html_str): # 提取第一頁的數(shù)據(jù) content_list = re.findall(r'<div class="j-r-list-c-desc">\s*<a href="/detail-.*" rel="external nofollow" rel="external nofollow" rel="external nofollow" >(.+?)</a>', html_str) # 非貪婪匹配 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') # 換行 print('成功保存一頁!') def run(self): # 實(shí)現(xiàn)主要邏輯 for i in range(20): # 只爬取前20頁數(shù)據(jù) # 1. 構(gòu)造url # 2. 發(fā)送請求,獲取響應(yīng) html_str = self.pass_url(self.temp_url.format(i+1)) # 3. 提取數(shù)據(jù) 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內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python推導(dǎo)式之字典推導(dǎo)式和集合推導(dǎo)式使用體驗(yàn)
這篇文章主要為大家介紹了Python推導(dǎo)式之字典推導(dǎo)式和集合推導(dǎo)式使用示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-06-06Python 實(shí)時(shí)獲取任務(wù)請求對應(yīng)的Nginx日志的方法
本文給大家分享Python 實(shí)時(shí)獲取任務(wù)請求對應(yīng)的Nginx日志的方法,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),需要的朋友參考下吧2021-07-07python中正則表達(dá)式findall的用法實(shí)例
在寫著自動化測試的腳本時(shí)重新復(fù)習(xí)了一下正則表達(dá)式findall()方法,下面這篇文章主要給大家介紹了關(guān)于python中正則表達(dá)式findall用法的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-09-09Django用戶認(rèn)證系統(tǒng) Web請求中的認(rèn)證解析
這篇文章主要介紹了Django用戶認(rèn)證系統(tǒng) Web請求中的認(rèn)證解析,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-08-08Python實(shí)現(xiàn)包含min函數(shù)的棧
這篇文章主要介紹了Python實(shí)現(xiàn)包含min函數(shù)的棧,可實(shí)現(xiàn)棧中元素的計(jì)算及進(jìn)棧出棧等操作,需要的朋友可以參考下2016-04-04