python-20：爬取糗事百科段子源码

2019独角兽企业重金招聘Python工程师标准>>>

到这里，我们爬取糗事百科这个入门项目已经结束了，下面贴上源码：

---------------------------------爬取糗事百科段子源码----------------------------

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
__author__ = '217小月月坑'

import urllib2
import re

# url：存放url网址的变量
url = 'http://www.qiushibaike.com/'
# user_agent：存放身份识别信息的变量
user_agent = 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:40.0) Geck
o/20100101 Firefox/40.0'
# 一个headers的字典，headers可以有很多项，所以要用一个字典来存放
headers = {'User-Agent': user_agent}
'''
req = urllib2.Request(url, headers)
这样写是错误的，TypeError: must be string or buffer, not dict
'''
'''
为什么要使用headers=headers
原因：urllib2.Request 有三个参数，url，data，和headers，
如果将所有参数都写上去的话，可以直接写urllib2.Request(url, data, headers)
如果第二个参数不写的话，要指明第三个参数
'''
# 加入异常处理，注意try,expetc,if语句后面要有冒号
try:
    # 构造一个请求
    req = urllib2.Request(url, headers=headers)
    # 发送请求，获取返回的数据
    response = urllib2.urlopen(req)
    # 将爬取的网页源码存入一个变量中
    content = response.read()
    # 使用compile将正则表达式编译并存入一个pattern变量中
    # 注：这里使用了四个正则额表达式，每一个表达式获取一个想要的信息
    pattern = re.compile(r'<h2>(.*?)</h2>.*?'+'<div.*?class="content">
(.*?)<!.*?'+'<div.*?class="stats".*?class="number">(.*?)</i>.*?'+
'<span.*?class="dash".*?class="number">(.*?)</i>.*?',re.S)
    # 使用findall方法按re查找，findall返回的是一个列表
    items = re.findall(pattern,content)
    # 使用for循环遍历列表中的元素并将它们打印出来
    for item in items:
        print '发布人：'+item[0]+'\n','段子内容：'+item[1]+'\n','点赞数:'
+item[2]+'\n','评论数:'+item[3]+'\n'
except urllib2.URLError, e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason

输出的结果如下：

转载于:https://my.oschina.net/u/2429887/blog/535195