python3自动爬笑话
来源:互联网 发布:淘宝退换货怎么操作 编辑:程序博客网 时间:2024/05/12 21:02
学校的服务器可以上外网了,所以打算写一个自动爬取笑话并发到bbs的东西,从网上搜了一个笑话网站,感觉大部分还不太冷,html结构如下:
可以看到,笑话的链接列表都在<div class="list_title">里面,用正则表达式可以把最近的几个笑话地址找出来,再进到一个笑话页面看下:
每一个笑话页面里面是有多个小笑话组成的,全部在<span id="text110">标签下,每个小笑话又单独一个<p>包裹,这样非常容易就可以把每个单独笑话放到一个list中。由于我爬笑话的目的是每天白天一个小时发一个笑话,所以爬取20个是足够的了,每个页面平均有5个小笑话,爬4个页面就OK啦。这里有几个细节,这个笑话网有的链接是有中文的,比如:
<a href="/jokehtml/冷笑话/2014051200030765.htm" target="_blank">读书破万卷,搞笑如有神</a>
直接urllib.request.urlopen函数不能解析中文的URL,必须要urllib.parse先转码一下才能正确解析。还有一个细节是每段的小笑话之间是有换行的,用正则表达式的“.”是不能匹配换行符的,需要改成“[\w\W]”才能匹配。好了,下面是代码:
import urllib.requestimport urllib.parseimport rerule_joke=re.compile('<span id=\"text110\">([\w\W]*?)</span>')rule_url=re.compile('<a href=\"(.*?)\"target=\"_blank\" >')mainUrl='http://www.jokeji.cn'url='http://www.jokeji.cn/list.htm'req=urllib.request.urlopen(url)html=req.read().decode('gbk')urls=rule_url.findall(html)f=open('joke.txt','w')for i in range(4):url2=urllib.parse.quote(urls[i])joke_url=mainUrl+url2req2=urllib.request.urlopen(joke_url)html2=req2.read().decode('gbk')joke=rule_joke.findall(html2)jokes=joke[0].split('<P>')for i in jokes:i=i.replace('</P>','')i=i.replace('<BR>','')i=i[2:]f.write(i)f.close()
看下爬取的结果:
这样,每行是一个单独的笑话,方便其他程序使用。
转载请注明:转自http://blog.csdn.net/littlethunder/article/details/25693641
11 31
- python3自动爬笑话
- python3自动爬笑话
- python3自动爬笑话
- python3自动爬笑话
- python3自动爬笑话(留下学习)
- Python3.5.1获取笑话
- 使用Python3和BeautifulSoup爬取笑话网站内容,并导入Excel
- 定时给ta讲笑话python3.x
- python3自动登录
- Python2自动转Python3
- Python3之自动登录
- Python3.x爬虫教程:爬网页、爬图片、自动登录
- Python3.x爬虫教程:爬网页、爬图片、自动登录
- python3.2 自动登录网站
- python3+selenium实现自动签到
- python3.4 自动生成身份证号
- 笑话
- 笑话
- iOS开发者申请发布证书-图文详解
- C++ 11 新特性之 auto
- virtualenv碰到的问题
- Android 高通代码编译指南
- eclipse报New package not yet registered with the system错误
- python3自动爬笑话
- C++文件操作之某些细节
- 原语以及PV操作
- 正则实例首字母大写
- ARC规则及使⽤
- stringstream 的.str()正确用法和清空操作
- bootmem_bootmap_pages
- QNX简介
- System.getProperty()方法小结