初步爬取糗事百科第一页段子(发布人,发布内容,好笑数和评论数)
#-*-coding:utf-8-*-
import urllib
import urllib2
import re
page = 1
url ='http://www.qiushibaike.com/hot/page/'+str(page)
#第一页URL
headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'}
#浏览器的headers ,模拟浏览器去访问
request=urllib2.Request(url,headers=headers)
#构建请求request
response = urllib2.urlopen(request)
#通过urlopen获取页面代码
html=response.read()
#将获取的代码存入html变量 中
#print(html)
# 到这里就把这一页的URL爬取下来了
pattern=re.compile('.*?title.*?
(.*?)
.*?
(.*?)
.*?
.*?number">(.*?).*?
.*?number">(.*?)',re.S)
#挖出自己想要的内容
items=
re.findall(pattern,html)
for item
in items:
print(item[
0])#发布人
print(item[
1])#发布内容
print(item[
2])#好笑数
print(item[
3])#点赞数
对上面正则表达式略作解释:
(1).*? 是固定搭配
(2)(.*?)代表一个分组,能将每一个括号里匹配的内容输出到终端。如第一个item[0]代表第一个分组即发布人。
(3)re.S代表在匹配时为点任意匹配模式
爬取部分结果如下:
正则表达式过于繁琐,对其进行简化
1 pattern=re.compile('.*?title.*?(.*?)
.*?"content">(.*?).*?"stats">.*?number">(.*?).*?"dash">.*?number">(.*?)',re.S)
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。