糗事百科段子简单爬取案例（使用正则表达式查找）

1.观察url:

明显观察出url规律：https://www.qiushibaike.com/text/page/X/

其中X是按页码顺序依次变化的。即1,2,3......。

2.主函数的编写：

def main():
    url = "https://www.qiushibaike.com/text/page/1/"
    for i in range(1,11):
        url = "https://www.qiushibaike.com/text/page/%s/" %i
        parse_page(url)

其中 parse_page() 是页面解析函数。以上代码可以实现爬取1-10页的段子。

3.页面解析的分析与编写：

查看目标段子的源代码：

发现每个段子都放在div标签下的span标签。所以可以写出对应的正则表达式：<div class="content">.*?<span>(.*?)</span>

页面解析编写过程：

1）头部信息，获取响应，编码。

def parse_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3724.8 Safari/537.36'
    }
    response = requests.get(url,headers=headers)
    text = response.text
    print(text)

　　尝试输出 text 看看是否有乱码情况。如出现乱码，可以 text = response.text 改成 text = response.content.decode("utf-8")

2）编写正则表达式，存放段子，除去多余部分，输出展示。

def parse_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3724.8 Safari/537.36'
    }
    response = requests.get(url,headers=headers)
    text = response.text
    contents = re.findall(r'<div class="content".*?<span>(.*?)</span>',text,re.DOTALL)
    duanzi = []
    for content in contents:
        x = re.sub(r'<(.*?)>',"",content,re.DOTALL)
        duanzi.append(x.strip())
        print(x.strip())
        print("="*60)

　　使用re模块中的findall函数，找出该页面所有符合的字符，并存放在 duanzi 列表中。其中 re.DOTALL 表示点号（ . ）可以匹配所有字符，包括换行符。因为匹配的字符串中含有一些标签所以需要去除，即 x = re.sub(r'<(.*?)>',"",content,re.DOTALL) 。最后为了明显显示出爬取的每条信息，使用 = 号分割。

4.全部代码以及结果显示：

import re
import requests

def parse_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3724.8 Safari/537.36'
    }
    response = requests.get(url,headers=headers)
    text = response.text
    contents = re.findall(r'<div class="content".*?<span>(.*?)</span>',text,re.DOTALL)
    duanzi = []
    for content in contents:
        x = re.sub(r'<(.*?)>',"",content,re.DOTALL)
        duanzi.append(x.strip())
        print(x.strip())
        print("="*60)

def main():
    url = "https://www.qiushibaike.com/text/page/1/"
    for i in range(1,11):
        url = "https://www.qiushibaike.com/text/page/%s/" %i
        parse_page(url)

if __name__ == '__main__':
    main()