码迷,mamicode.com
首页 > 其他好文 > 详细

爬虫,爬取句子迷《龙族》

时间:2018-01-01 11:39:49      阅读:143      评论:0      收藏:0      [点我收藏+]

标签:enc   很多   eal   webkit   span   body   脚本   dal   headers   

踩了很多坑,主要是python2编码的问题和正则不熟

直接上脚本

# -*- coding: gbk -*-
import re
import urllib2
import time



class spider:
    """
龙族  句子迷
    """


    def __init__(self):
        self.enable = True
        self.page = 1
    def load_page(self,page):
        url = http://www.juzimi.com/article/113093?page=+str(page)
        user_agent=Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36
        headers = {"User-Agent":user_agent}
        req = urllib2.Request(url,headers = headers)
        response = urllib2.urlopen(req)
        html = response.read()
        new_html = html.decode(utf-8)
        # print new_html
        

        #正则过滤得到句子
        pattern = re.compile(rclass="xlistju">(.*?)</a>,re.S)
        item_list=pattern.findall(new_html)
        # print item_list
        return item_list

    def deal_one_page(self,item_list,page):
        print 第%d页 %(page)
        for item in item_list:
            item = item.replace("<br />", "")
            item = item.replace("<br/>","")
            self.write_to_file(item)
        print %d %(page)

    def write_to_file(self,txt):
        f=open(F:\py\longzu.txt,a)
        f.write(txt.encode(utf-8))
        f.write(\n\n)
        f.close()

    def do_work(self):
        while self.enable:
            for i in range(1,34):
                item_list = self.load_page(self.page)
                self.deal_one_page(item_list,self.page)
                time.sleep(5)
                self.page += 1
                if i==33 :
                    print 结束
                    self.enable = False
                    break
                
if __name__ == "__main__":
    longspider = spider()
    longspider.do_work()
        

 

爬虫,爬取句子迷《龙族》

标签:enc   很多   eal   webkit   span   body   脚本   dal   headers   

原文地址:https://www.cnblogs.com/GH-D/p/8166122.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!