首页 > > 网络编程 > 其它 >

Python爬虫案例：利用Python爬取笑话网

2018-06-18 02:59:44来源：未知阅读 ()

学校的服务器可以上外网了，所以打算写一个自动爬取笑话并发到bbs的东西，从网上搜了一个笑话网站，感觉大部分还不太冷，html结构如下：

可以看到，笑话的链接列表都在<div class="list_title">里面，用正则表达式可以把最近的几个笑话地址找出来，再进到一个笑话页面看下：

每一个笑话页面里面是有多个小笑话组成的，全部在<span id="text110">标签下，每个小笑话又单独一个<p>包裹，这样非常容易就可以把每个单独笑话放到一个list中。由于我爬笑话的目的是每天白天一个小时发一个笑话，所以爬取20个是足够的了，每个页面平均有5个小笑话，爬4个页面就OK啦。这里有几个细节，这个笑话网有的链接是有中文的，比如：

1 <a href="/jokehtml/冷笑话/2014051200030765.htm" target="_blank">读书破万卷,搞笑如有神</a>

直接urllib.request.urlopen函数不能解析中文的URL，必须要urllib.parse先转码一下才能正确解析。还有一个细节是每段的小笑话之间是有换行的，用正则表达式的“.”是不能匹配换行符的，需要改成“[\w\W]”才能匹配。好了，下面是代码：

 1 import urllib.request  
 2 import urllib.parse  
 3 import re  
 4   
 5 rule_joke=re.compile('<span id=\"text110\">([\w\W]*?)</span>')  
 6 rule_url=re.compile('<a href=\"(.*?)\"target=\"_blank\" >')  
 7 mainUrl='http://www.jokeji.cn'  
 8 url='http://www.jokeji.cn/list.htm'  
 9   
10 req=urllib.request.urlopen(url)  
11 html=req.read().decode('gbk')  
12 urls=rule_url.findall(html)  
13 f=open('joke.txt','w')  
14 for i in range(4):  
15     url2=urllib.parse.quote(urls[i])  
16     joke_url=mainUrl+url2  
17     req2=urllib.request.urlopen(joke_url)  
18     html2=req2.read().decode('gbk')  
19     joke=rule_joke.findall(html2)  
20     jokes=joke[0].split('<P>')  
21       
22     for i in jokes:  
23         i=i.replace('</P>','')  
24         i=i.replace('<BR>','')  
25         i=i[2:]  
26         f.write(i)  
27 f.close()