爬虫苦训第一天，我的第一个爬虫！！！-白红宇

爬虫苦训第一天，我的第一个爬虫！！！

阅读量：4947 次

发布时间：2019-06-11

本文共 2207 字，大约阅读时间需要 7 分钟。

''' 经历千辛万苦终于写成了自己的第一个爬虫，哇咔咔！抓取糗事段子里面的段子，循环抓取多页'''import urllib.requestimport sslimport reimport pickleweburl = "https://www.douban.com/" #设置请求头headers = {         'Accept': 'text/html, application/xhtml+xml, */*',         # 'Accept-Encoding': 'gzip, deflate',         'Accept-Language': 'zh-CN',         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '                  'Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6756.400 QQBrowser/10.3.2545.400',             'DNT': '1',         'Connection': 'Keep-Alive',         'Host': 'www.qiushibaike.com'    }def jokeCrawker(url): 　　#创建为经过验证的上下文    context = ssl._create_unverified_context()    req = urllib.request.Request(url=url, headers=headers)    response = urllib.request.urlopen(req, context=context)    #data = str(response.read())    data = response.read().decode("utf-8") 　　 #. 不能匹配'\n'，compole(pat, re.S)，此处耽误了好久，无语了    pat = '
     
      (.*?)
      '    re_joke = re.compile(pat, re.S)    jokeList = re_joke.findall(data)    jokeDict = {}    for div in jokeList:        #name,名称        pat = r'(.*?)
'        re_n = re.compile(pat, re.S)        name = re_n.findall(div)[0]        #words，说的段子        pat = '
        
         \n
         (.*?)'        re_w = re.compile(pat, re.S)        words = re_w.findall(div)[0]        #处理多个换行，
         
,非(数字，字母，下划线，中文，以及中文标点符号)        pat = '\\n{2,}|
         
|[^\d\u4e00-\u9fa5(\u3002|\uff1f|\uff01|\uff0c|\u3001|' \              '\uff1b|\uff1a|\u201c|\u201d|\u2018|\u2019|\uff08|\uff09|\u300a|' \              '\u300b|\u3008|\u3009|\u3010|\u3011|\u300e|\u300f|\u300c|\u300d|' \              '\ufe43|\ufe44|\u3014|\u3015|\u2026|\u2014|\uff5e|\ufe4f|\uffe5)*]'        word = re.sub(pat, '', words)                jokeDict[name] = word    with open("F:/糗事段子/file/qiushi.txt", "a+") as fp:        #还能同一存储到一个dict判断重复，然后在同一写入，就可以用'w',不过太占内存了        #以后还能索引，看是否覆盖(短时间内不会)        for k, v in jokeDict.items():            info = str(k + "说：" + v + "\n")            fp.write(info)    return Truefor i in range(10):    webur2 = "https://www.qiushibaike.com/text/page/" + str(i) + "/"    jokeCrawker(webur2)