博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
python 糗事百科实例
阅读量:5009 次
发布时间:2019-06-12

本文共 1142 字,大约阅读时间需要 3 分钟。

爬取糗事百科段子,假设页面的URL是 

要求:

  1. 使用requests获取页面信息,用XPath / re 做数据提取

  2. 获取每个帖子里的用户头像链接用户姓名段子内容点赞次数评论次数

  3. 保存到 json 文件内

参考代码

#qiushibaike.py#import urllib#import re#import chardetimport requests from lxml import etree page = 1 url = 'http://www.qiushibaike.com/8hr/page/' + str(page) headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36', 'Accept-Language': 'zh-CN,zh;q=0.8'} try: response = requests.get(url, headers=headers) resHtml = response.text html = etree.HTML(resHtml) result = html.xpath('//div[contains(@id,"qiushi_tag")]') for site in result: item = {} imgUrl = site.xpath('./div/a/img/@src')[0].encode('utf-8') username = site.xpath('./div/a/@title')[0].encode('utf-8') #username = site.xpath('.//h2')[0].text content = site.xpath('.//div[@class="content"]/span')[0].text.strip().encode('utf-8') # 投票次数 vote = site.xpath('.//i')[0].text #print site.xpath('.//*[@class="number"]')[0].text # 评论信息 comments = site.xpath('.//i')[1].text print imgUrl, username, content, vote, comments except Exception, e: print e

转载于:https://www.cnblogs.com/alamZ/p/7414014.html

你可能感兴趣的文章
Ubuntu 安装Guake
查看>>
中文url编码乱码问题归纳整理一
查看>>
Ruby
查看>>
安装PowerDesigner 12之后,在Microsoft Office Word 2003的模板和插件中无法移除WordToRqm.dot的解决方案...
查看>>
Daily Scrum 12.12
查看>>
Cesium应用篇:3控件(3)SelectionIndicator& InfoBox
查看>>
58. Length of Last Word(js)
查看>>
前端面试题汇总(持续更新...)
查看>>
如何成为F1车手?
查看>>
QT自定义消息
查看>>
Save (Not Permitted) Dialog Box
查看>>
装饰模式(Decorator)
查看>>
3-11
查看>>
任务13:在Core Mvc中使用Options
查看>>
利用Excel 2010数据透视图实现数字的可视化的图形直观展示
查看>>
Sort Colors
查看>>
HTML文本框水印
查看>>
2048记录反查(ruby)
查看>>
用ssh整合时,用sessionfactory的getCurrentSession()获取不到session
查看>>
【Alpha版本】 第四天 11.10
查看>>