热门IT资讯网

举例说明简单的python爬虫代码

发表于:2024-11-27 作者:热门IT资讯网编辑
编辑最后更新 2024年11月27日,这篇文章主要为大家详细介绍了简单的python爬虫代码,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下。python爬虫代码示例分享一、爬取故事段子:注:部分代码无法正常

这篇文章主要为大家详细介绍了简单的python爬虫代码,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下。

python爬虫代码示例分享

一、爬取故事段子

注:部分代码无法正常运行,但仍有一定的参考价值。

#encoding=utf-8import urllib2 import re  class neihanba():  def spider(self):    '''    爬虫的主调度器    '''    isflow=True#判断是否进行下一页    page=1    while isflow:      url="http://www.neihanpa.com/article/list_5_"+str(page)+".html"      html=self.load(url)      self.deal(html,page)      panduan=raw_input("是否继续(y/n)!")      if panduan=="y":        isflow=True        page+=1      else:        isflow=False  def load(self,url):    '''    针对url地址进行全部爬去    :param url: url地址    :return: 返回爬去的内容    '''    header = {      "User-Agent": " Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36"    }    request = urllib2.Request(url, headers=header)    response = urllib2.urlopen(request)    html = response.read()    return html  def deal(self,html,page):    '''    对之前爬去的内容进行正则匹配,匹配出标题和正文内容    :param html:之前爬去的内容    :param page: 正在爬去的页码    '''    parrten=re.compile('
  • (.*?)
  • ',re.S) titleList=parrten.findall(html) for title in titleList: parrten1=re.compile('(.*)') ti1=parrten1.findall(title) parrten2=re.compile('
    (.*?)
    ',re.S) til2=parrten2.findall(title) for t in ti1: tr=t.replace("","").replace("","") self.writeData(tr,page) for t in til2: tr=t.replace("

    ","").replace("

    ","").replace("
    ","").replace("
    ","").replace("&ldquo","\"").replace("&rdquo","\"") self.writeData(tr,page) def writeData(self,context,page): ''' 将最终爬去的内容写入文件中 :param context: 匹配好的内容 :param page: 当前爬去的页码数 ''' fileName = "di" + str(page) + "yehtml.txt" with open(fileName, "a") as file: file.writelines(context + "\n")if __name__ == '__main__': n=neihanba() n.spider()

    二、爬取智联:

    #encoding=utf-8import urllibimport urllib2 import re  class zhiLian():  def spider(self,position,workPlace):    '''    爬虫的主调度器    :param position: 职位    :param workPlace: 工作地点    '''    url="http://sou.zhaopin.com/jobs/searchresult.ashx?"    url+=urllib.urlencode({"jl":workPlace})    url+="&"    url+=urllib.urlencode({"kw":position})    isflow=True#是否进行下一页的爬去    page=1    while isflow:      url+="&"+str(page)      html=self.load(url)      self.deal1(html,page)      panduan = raw_input("是否继续爬虫下一页(y/n)!")      if panduan == "y":        isflow = True        page += 1      else:        isflow = False  def load(self,url):    '''    针对url地址进行全部爬去    :param url: url地址    :return: 返回爬去的内容    '''    header = {      "User-Agent": " Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36"    }    request = urllib2.Request(url, headers=header)    response = urllib2.urlopen(request)    html = response.read()    return html  def deal1(self,html,page):    '''     对之前爬去的内容进行正则匹配,匹配职位所对应的链接    :param html:之前爬去的内容    :param page: 正在爬去的页码    '''    parrten=re.compile('.*?',re.S)    til=parrten.findall(html)#爬去链接    for t in til:      self.deal2(t,page)  def deal2(self,t,page):    '''    进行二次爬虫,然后在新的页面中对公司、薪资、工作经验进行匹配    :param t: url地址    :param page: 当前匹配的页数    '''    html=self.load(t)#返回二次爬虫的内容    parrten1=re.compile('(.*?)\s+.*?',re.S)    parrten2=re.compile('
  • 职位月薪:(.*?) .*?
  • ',re.S) parrent3=re.compile('
  • 工作经验:(.*?)
  • ',re.S) til1=parrten1.findall(html) til2=parrten2.findall(html) til3=parrent3.findall(html) str="" for t in til1: t=t.replace('',"") str+=t str+="\t" for t in til2: str+=t str += "\t" for t in til3: str+=t self.writeData(str,page) def writeData(self,context,page): ''' 将最终爬去的内容写入文件中 :param context: 匹配好的内容 :param page: 当前爬去的页码数 ''' fileName = "di" + str(page) + "yehtml.txt" with open(fileName, "a") as file: file.writelines(context + "\n")if __name__ == '__main__': position=raw_input("请输入职位:") workPlace=raw_input("请输入工作地点:") z=zhiLian() z.spider(position,workPlace)

    三、爬取贴吧:

    #encoding=utf-8import urllibimport urllib2 import re  class teiba():  def spider(self,name,startPage,endPage):    url="http://tieba.baidu.com/f?ie=utf-8&"    url+=urllib.urlencode({"kw":name})    for page in range(startPage,endPage+1):      pn=50*(page-1)      urlFull=url+"&"+urllib.urlencode({"pn":pn})      html=self.loadPage(url)      self.dealPage(html,page)   def loadPage(self,url):    header={      "User-Agent":" Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36"    }    request=urllib2.Request(url,headers=header)    response=urllib2.urlopen(request)    html=response.read()    return html  def dealPage(self,html,page):    partten=re.compile(r'(.*?)',re.S)    titleList=partten.findall(html)    rstr=r'#(.*?)#'    for title in titleList:      title=re.sub(rstr,"",title)      self.writePage(title,page)  def writePage(self,context,page):    fileName="di"+str(page)+"yehtml.txt"    with open(fileName,"a") as file:      file.writelines(context+"\n")if __name__ == '__main__':  name=raw_input("请输入贴吧名:")  startPage=raw_input("请输入起始页:")  endPage=raw_input("请输入终止页:")  t=teiba()  t.spider(name,int(startPage),int(endPage))

    以上就是简单的python爬虫代码的详细内容了,看完之后是否有所收获呢?如果想了解更多相关内容,欢迎来行业资讯!

    0