设为首页 收藏本站
查看: 680|回复: 0

[经验分享] Python 简单爬虫抓取糗事百科

[复制链接]
累计签到:1 天
连续签到:1 天
发表于 2015-8-7 08:55:38 | 显示全部楼层 |阅读模式
1
# coding:utf-8


import time
import random
import urllib2
from bs4 import BeautifulSoup
#引入 beautifulsoup模块

#p = 1
#定义 页
url = 'http://www.qiushibaike.com/text/page/'
#定义header
my_headers = [
    'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:39.0) Gecko/20100101 Firefox/39.0',
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)',
    'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0)',
    'ELinks/0.12pre5 (textmode; Linux; -)'
]


#获取网页内容
def get_con(url, headers):
    random_header = random.choice(headers)
    req = urllib2.Request(url)
    req.add_header('User-Agent', random_header)
    req.add_header('Host', 'www.qiushibaike.com')
    req.add_header(
        'Referer', 'http://www.qiushibaike.com/')
    req.add_header('GET', 'url')
    content = urllib2.urlopen(req).read()
    return content


#读取每一条信息
def get_txt(haha):
    soup = BeautifulSoup(haha)
    all_txt = soup.find_all('div', class_="content")
    i = 1
    for txt in all_txt:
        cont = str(txt)
        head = cont.find(r'class="content"')
        end = cont.find(r'</div', head)
        con = cont[head + 16:end]
        print str(i), con
        i = i + 1
        time.sleep(3)
#根据输入的数字,确定打印起始页

page = raw_input("Please input a number:")
p = int(page)

#使用while循环打印出所有信息
while p < 36:
    haha = get_con(url + str(p) + '?s=4796159', my_headers)
    print get_txt(haha)
    print "这是第" + str(p) + "页"
    p = p + 1
   

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-94981-1-1.html 上篇帖子: python处理XML解析(读取) 下篇帖子: python分析accesslog并排序 糗事百科
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表