python网络爬虫--简单爬取糗事百科

　　刚开始学习python爬虫，写了一个简单python程序爬取糗事百科。

　　具体步骤是这样的：首先查看糗事百科的url：http://www.qiushibaike.com/8hr/page/2/?s=4959489，可以发现page后的数据代表第几页。

　　然后装配request，注意要设置user_agent

1 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
2 headers = {'User-Agent': user_agent}
3 request=urllib2.Request(url,headers=headers)
4 response=urllib2.urlopen(request)

　　然后获取返回的数据

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

　　然后是关键，使用正则匹配出所有的具体内容。这里可以使用浏览器的检查功能查看页面结构，写出相对应的正则式，比如我们对下面的<div class="content">...</div>进行匹配的正则式如下

pattern=re.compile('<div class="content">....<span>(.*?)</span>...</div>',re.S)

items=re.findall(pattern,content)

　　(.*?) ：表示组，该部分为一个整体，将该部分匹配到字符串作为返回值返回，findall表示找到所有匹配的字符串，以序列的形式返回

　　参数re.S表示"."点号匹配所有字符包括换行

下面是完整代码

 1 import urllib
 2 import urllib2
 3 import re
 4 import time
 5 
 6 page=2
 7 f=open("D:qiushi.txt","r+")
 8 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
 9 headers = {'User-Agent': user_agent}
10 while page<100:
11     url="http://www.qiushibaike.com/8hr/page/"+str(page)+"/?s=4959460"
12 
13     print url
14     try:
15         request=urllib2.Request(url,headers=headers)
16         response=urllib2.urlopen(request)
17         content=response.read().decode('utf-8')
18         # print content
19         pattern=re.compile('<div class="content">....<span>(.*?)</span>...</div>',re.S)
20         items=re.findall(pattern,content)
21         f.write((url+"
").encode('utf-8'))
22         for item in items:
23             print "------"
24             item=item+"
"
25             print item
26             f.write("------
".encode('utf-8'))
27             f.write(item.replace('<br/>','
').encode('utf-8'))
28     except urllib2.URLError,e:
29         if hasattr(e,"code"):
30             print e.code
31         if hasattr(e,"reason"):
32             print e.reason
33     finally:
34         page+=1
35         time.sleep(1)

这里我是将找到的输出到d盘下的qiushi.txt文件