首先還是谷歌瀏覽器抓包對該網(wǎng)站數(shù)據(jù)進行分析,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)容段子所處位置進行分析,發(fā)現(xiàn)段子內(nèi)容都是在一個 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'
(.+?)
', 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'
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?
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'\s* (.+?) ', 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。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯(lián)系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
