Python3 爬虫抓取段子

1. 获取网页代码

导入urllib的相关库，Python 3中应该这样写：

import urllib.request
import urllib.parse
import re

re库是正则表达式（Regular Expression），后面作匹配时会用到。

百思不得姐的段子页面url ='http://www.budejie.com/text/1'，这里末尾数字1代表此为第一页。通过以下代码就能返回网页内容。

   req = urllib.request.Request(url)
    # 添加headers 使之看起来像浏览器在访问
    req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 '
                                 '(KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36')
    response = urllib.request.urlopen(req)
    # 得到网页内容，注意必须使用decode()解码
    html = response.read().decode('utf-8')

2. 正则匹配提取段子

要想筛选符合普通人阅读的内容（如果还带着html标签那还咋读是不），成功提取出段子，为此我们需要一些既定的模式去和网页全部内容进行匹配，将模式下匹配成功的对象返回。我们使用强大的正则表达式进行匹配（Regular Expression），相关语法可以看这里。

仅仅针对本例中的网页内容，先看看我们需要的段子对应了网页中的什么内容。

可以看到段子被<div class="j-r-list-c-desc">(我们要的内容)</div>这样的标签所包围，只需要指定相应规则提取出来即可！上图可以看出段子正文前后是有很多空格的，需要匹配进去。

pattern = re.compile(r'<div class="j-r-list-c-desc">\s+(.*)\s+</div>')
result = re.findall(pattern, html)

通过re库的compile函数制定规则。

• \s+可以匹配一个或更多的空格、
• .匹配除开换行符\n外的所有字符。

• 可是我们发现里面还有些讨厌的<br />。没关系，写几行代码的事。这里就不再展示去掉后的内容，自行脑补哈哈。

      for each in content:
          # 如果某个段子里有<br />
          if '<br />' in each:
              # 替换成换行符并输出
              new_each = re.sub(r'<br />', '\n', each)
              print(new_each)
          # 没有就照常输出
          else:
              print(each)

  这里content是我们通过re.findall()返回的列表。

  3. 下载段子到本地

  通过定义一个save()函数即可，num参数用户自定，想下载最近100页的内容都没问题！里面还有些变量没有提到，最后会给出源代码。

  # num是指定网页页数
  def save(num):
      # 写方式打开一个文本，把获取的段子列表存放进去
      with open('a.txt', 'w', encoding='utf-8') as f:
          text = get_content(num)
          # 和上面去掉<br />类似
          for each in text:
              if '<br />' in each:
                  new_each = re.sub(r'<br />', '\n', each)
                  f.write(new_each)
              else:
                  f.write(str(each) + '\n')
  
  

  4. 逐条读取段子

  段子太多，琳琅满目。可我们只希望一条条阅读。通过按下键盘任意键可以切换到下一条，直到读取到最后一条程序才结束，或者通过设置一个退出键随时退出程序，比如设定q键退出。这里把全部代码给出。

  import urllib.request
  import urllib.parse
  import re
  
  pattern = re.compile(r'<div class="j-r-list-c-desc">\s+(.*)\s+</div>')
  
  # 返回指定网页的内容
  def open_url(url):
      req = urllib.request.Request(url)
      req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 '
                                   '(KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36')
      response = urllib.request.urlopen(req)
      html = response.read().decode('utf-8')
      return html
  
  # num为用户自定，返回的是所有页的段子列表
  def get_content(num):
      # 存放段子的列表
      text_list = []
      for page in range(1, int(num)):
          address = 'http://www.budejie.com/text/' + str(page)
          html = open_url(address)
          result = re.findall(pattern, html)
          # 每一页的result都是一个列表，将里面的内容加入到text_list
          for each in result:
              text_list.append(each)
      return text_list
  
  
  # num是指定网页页数
  def save(num):
      # 写方式打开一个文本，把获取的段子列表存放进去
      with open('a.txt', 'w', encoding='utf-8') as f:
          text = get_content(num)
          # 和上面去掉<br />类似
          for each in text:
              if '<br />' in each:
                  new_each = re.sub(r'<br />', '\n', each)
                  f.write(new_each)
              else:
                  f.write(str(each) + '\n')
  
  
  if __name__ == '__main__':
      print('阅读过程中按q随时退出')
      number = int(input('想读几页的内容: '))
      content = get_content(number + 1)
      for each in content:
          if '<br />' in each:
              new_each = re.sub(r'<br />', '\n', each)
              print(new_each)
          else:
              print(each)
          # 用户输入
          user_input = input()
          # 不区分大小写的q，输入则退出
          if user_input == 'q' or user_input == 'Q':
              break