python爬虫深入爬取_Python爬虫初学（一）—

最近开始学Python的爬虫，是在这个博客跟着学习的，该博主用的是Python 2.7版本，而我使用的是3.5版本，很多不兼容的地方，不过没关系，自己改改就好了。

我们想针对网站的内容进行筛选，只获取自己感兴趣的部分。比如你想在XX网站把小黄图筛选出来，打包带走。这里只做简单的实现，以百思不得姐上的段子（纯文本）为例。我们想要实现如下功能：

批量下载若干页段子到本地文件中

按下任意一键，开始阅读下一条段子

1. 获取网页代码

导入urllib的相关库，Python 3中应该这样写：

import urllib.request

import urllib.parse

import re

re库是正则表达式（Regular Expression），后面作匹配时会用到。

百思不得姐的段子页面url ='http://www.budejie.com/text/1'，这里末尾数字1代表此为第一页。通过以下代码就能返回网页内容。

req = urllib.request.Request(url)

# 添加headers 使之看起来像浏览器在访问

req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 '

'(KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36')

response = urllib.request.urlopen(req)

# 得到网页内容，注意必须使用decode()解码

html = response.read().decode('utf-8')

print(html)的话，就是如下所示的内容：

这能看？段子呢？我们想要的段子呢？！

哦对了headers这样查看。

按F12，然后...看图吧

2. 正则匹配提取段子

要想筛选符合普通人阅读的内容（如果还带着html标签那还咋读是不），成功提取出段子，为此我们需要一些既定的模式去和网页全部内容进行匹配，将模式下匹配成功的对象返回。我们使用强大的正则表达式进行匹配（Regular Expression），相关语法可以看这里。

仅仅针对本例中的网页内容，先看看我们需要的段子对应了网页中的什么内容。

可以看到段子被

(我们要的内容)

这样的标签所包围，只需要指定相应规则提取出来即可！上图可以看出段子正文前后是有很多空格的，需要匹配进去。

pattern = re.compile(r'

\s+(.*)\s+

result = re.findall(pattern, html)

通过re库的compile函数制定规则。

\s+可以匹配一个或更多的空格

.匹配除开换行符\n外的所有字符。

现在我们得到了匹配后的结果，来看下。

Bingo！提取出来了不是？！

可是我们发现里面还有些讨厌的
。没关系，写几行代码的事。这里就不再展示去掉后的内容，自行脑补哈哈。

for each in content:

# 如果某个段子里有

if '
' in each:

# 替换成换行符并输出

new_each = re.sub(r'
', '\n', each)

print(new_each)

# 没有就照常输出

else:

print(each)

这里content由get_content方法返回，表示所有获取到的段子列表。get_content方法下面会给出实现。

至此，我们成功得到我们想看的段子了！如果想要下载到本地呢？

3. 下载段子到本地

通过定义一个save()函数即可，num参数用户自定，想下载最近100页的内容都没问题！里面还有些变量没有提到，最后会给出源代码。

# num是指定网页页数

def save(num):

# 写方式打开一个文本，把获取的段子列表存放进去

with open('a.txt', 'w', encoding='utf-8') as f:

text = get_content(num)

# 和上面去掉
类似

for each in text:

if '
' in each:

new_each = re.sub(r'
', '\n', each)

f.write(new_each)

else:

f.write(str(each) + '\n')

下载到本地文档后如下图所示

4. 逐条读取段子

段子太多，琳琅满目。可我们只希望一条条阅读。通过按下键盘任意键可以切换到下一条，直到读取到最后一条程序才结束，或者通过设置一个退出键随时退出程序，比如设定q键退出。这里把全部代码给出。

import urllib.request

import urllib.parse

import re

pattern = re.compile(r'

\s+(.*)\s+

# 返回指定网页的内容

def open_url(url):

req = urllib.request.Request(url)

req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 '

'(KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36')

response = urllib.request.urlopen(req)

html = response.read().decode('utf-8')

return html

# num为用户自定，返回的是所有页的段子列表

def get_content(num):

# 存放段子的列表

text_list = []

for page in range(1, int(num)):

address = 'http://www.budejie.com/text/' + str(page)

html = open_url(address)

result = re.findall(pattern, html)

# 每一页的result都是一个列表，将里面的内容加入到text_list

for each in result:

text_list.append(each)

return text_list

# num是指定网页页数

def save(num):

# 写方式打开一个文本，把获取的段子列表存放进去

with open('a.txt', 'w', encoding='utf-8') as f:

text = get_content(num)

# 和上面去掉
类似

for each in text:

if '
' in each:

new_each = re.sub(r'
', '\n', each)

f.write(new_each)

else:

f.write(str(each) + '\n')

if __name__ == '__main__':

print('阅读过程中按q随时退出')

number = int(input('想读几页的内容: '))

content = get_content(number + 1)

for each in content:

if '
' in each:

new_each = re.sub(r'
', '\n', each)

print(new_each)

else:

print(each)

# 用户输入

user_input = input()

# 不区分大小写的q，输入则退出

if user_input == 'q' or user_input == 'Q':

break

演示一下，效果是这样的。

虽然功能很鸡肋，不过作为初学我还是很满意了，有兴趣才能深入下去嘛！爬虫可不仅仅如此而已，以后会学习更加高级的功能。

by @sunhaiyu

2016.8.15

python爬虫深入爬取_Python爬虫初学（一）—— 爬取段子相关推荐

python爬虫微博评论图片_python爬虫爬取微博评论
原标题:python爬虫爬取微博评论 python爬虫是程序员们一定会掌握的知识,练习python爬虫时,很多人会选择爬取微博练手.python爬虫微博根据微博存在于不同媒介上,所爬取的难度有差异,无 ...
python爬虫教材推荐豆瓣_Python爬虫入门教程：豆瓣Top电影爬取
基本开发环境Python 3.6 Pycharm 相关模块的使用requests parsel csv 安装Python并添加到环境变量,pip安装需要的相关模块即可. 爬虫基本思路一.明确需求爬 ...
python爬虫教材推荐豆瓣_Python爬虫爬取豆瓣书籍数据
炎热的夏天,酷暑难挡,难免会心烦意燥,睡前随手拿起枕边看过很多遍的「平凡的世界」.看书,会让躁动的心瞬间安静下来. 生活不能等待别人来安排,要自己去争取和奋斗:而不论其结果是喜是悲,但可以慰藉的是,你 ...
python爬虫快速下载图片_Python爬虫入门：批量爬取网上图片的两种简单实现方式——基于urllib与requests...
Python到底多强大,绝对超乎菜鸟们(当然也包括我了)的想象.近期我接触到了爬虫,被小小地震撼一下.总体的感觉就两个词--"强大"和"有趣".今天就跟大家分享 ...
python发短信金山_Python爬虫基础练习(四) 金山翻译爬取(进阶篇)
上一篇文章金山翻译爬取(基础篇)讲到爬取金山翻译,并且实现了简单词汇的爬取,但是我们的报错信息都是一长串字符,就像这样当然这个报错还是很容易看懂的,"列表索引超出范围",但是我们 ...
pythonscrapy爬虫崔庆才_Python爬虫实战一之爬取糗事百科段子
大家好,前面入门已经说了那么多基础知识了,下面我们做几个实战项目来挑战一下吧.那么这次为大家带来,Python爬取糗事百科的小段子的例子. 首先,糗事百科大家都听说过吧?糗友们发的搞笑的段子一抓一大把 ...
python爬图片_python爬虫（爬取图片）
python爬虫爬图片爬虫爬校花网校花的图片第一步载入爬虫模块#载入爬虫模块 import re #载入爬虫模块 import requests #载入爬虫模块第二步获得校花网的地址,获得其 ...
python壁纸数据抓取_python爬虫系列之 xpath实战：批量下载壁纸
一.前言在开始写爬虫之前,我们先了解一下爬虫首先,我们需要知道爬虫是什么,这里直接引用百度百科的定义网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照 ...
python爬虫scrapy框架教程_Python爬虫教程-30-Scrapy 爬虫框架介绍
从本篇开始学习 Scrapy 爬虫框架 Python爬虫教程-30-Scrapy 爬虫框架介绍框架:框架就是对于相同的相似的部分,代码做到不出错,而我们就可以将注意力放到我们自己的部分了常见爬虫框 ...
python爬虫网络出错怎么办_Python爬虫常见问题
第一个问题:JS加密如何突破 (1) 熟练掌握Chrome的开发者工具的各个功能,Elements, Network,Source (2) 认真观察,善于思考.Network查看加载流程,找可疑的xh ...

python爬虫深入爬取_Python爬虫初学（一）—— 爬取段子

python爬虫深入爬取_Python爬虫初学（一）—— 爬取段子相关推荐

最新文章

热门文章