第一次爬虫实例

本文介绍了一个使用Python进行网络爬虫的实际案例,目标是从糗事百科网站抓取段子内容。通过解析网页源代码,利用正则表达式匹配并提取用户名和段子文本,最终将数据保存为字典形式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

爬取段子实例

仅供学习参考

import urllib.request
import ssl
import json
import re

def jokeCrawler(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.202 Safari/535.1"
    }

    req = urllib.request.Request(url,headers=headers)

    context = ssl._create_unverified_context()

    response = urllib.request.urlopen(req,context=context)

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

    pat =r'<div class="author clearfix">(.*?)<span class="stats-vote"><i class="number">'

    re_joke = re.compile(pat,re.S)
    divslist = re_joke.findall(HTML)
    #print(divslist)
    #print(len(divslist))

    dic = {}
    for div in divslist:
        #用户名:
        re_u =re.compile(r'<h2>(.*?)</h2>',re.S)
        username = re_u.findall(div)
        username = username[0]
        #print(username)
        #print(type(username))
        #段子
        re_d = re.compile(r'<div class="content">\n<span>(.*?)</span>', re.S)
        duanzi = re_d.findall(div)
        duanzi = duanzi[0]
        #print(duanzi)
        #print(type(duanzi))

        dic[username] = duanzi
    return dic

    #with open(r'/Users/fangjun/Desktop/PythonWork/file/file3.html','w') as f:
      #  f.write(HTML)





url = 'https://www.qiushibaike.com/text/'
info = jokeCrawler(url)


for k,v in info.items():
    print(k,v)

 

### 使用 DrissionPage 进行爬虫开发 #### 安装与初始化 为了使用 `DrissionPage` 库进行爬虫开发,在 Linux CentOS 上需先通过 pip3 安装该库[^1]: ```bash pip3 install DrissionPage ``` 接着,导入必要的模块并创建浏览器实例: ```python from DrissionPage import ChromiumPage page = ChromiumPage() ``` #### 设置浏览器路径 对于首次使用的环境,需要设置浏览器可执行文件的位置。这一步只需要做一次,并会自动生成配置文件以便后续调用: ```python from DrissionPage.easy_set import set_paths set_paths(chromedriver_path='/path/to/chromedriver', browser_path='/path/to/browser') ``` #### 基础页面交互示例 下面是一个简单的例子,展示了如何利用 `ChromiumPage` 访问网站、获取页面标题以及抓取特定元素的内容。 ```python # 导入所需的类 from DrissionPage import ChromiumPage # 创建一个新的浏览器窗口 browser = ChromiumPage() try: # 打开目标网址 url = "https://example.com" browser.get(url) # 获取当前页面的标题 title = browser.title print(f"网页标题是: {title}") # 查找指定的选择器对应的第一个匹配项 element = browser.ele('css:#main-content p:first-child') # 输出找到的文字内容 if element.exists(): text_content = element.text print(f"提取到的主要内容如下:\n{text_content}") finally: # 关闭浏览器 browser.quit() ``` 此段代码实现了基本的浏览加载和数据抽取过程,适用于大多数静态HTML结构下的简单信息采集场景[^2]。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值