标签：
初步爬取糗事百科第一页段子（发布人，发布内容，好笑数和评论数）
1 #-*-coding:utf-8-*- 2 import urllib 3 import urllib2 4 import re 5 page = 1 6 url =‘http://www.qiushibaike.com/hot/page/‘+str(page)
#第一页URL 7 headers={‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0‘}
#浏览器的headers ，模拟浏览器去访问 8 request=urllib2.Request(url,headers=headers)
#构建请求request 9 response = urllib2.urlopen(request)
#通过urlopen获取页面代码 10 html=response.read()
#将获取的代码存入html变量 中 11 #print(html)
# 到这里就把这一页的URL爬取下来了 12 pattern=re.compile(‘<div class="author clearfix">.*?title.*?<h2>(.*?)</h2>.*?<div class="content">(.*?)</div>.*?<div class="stats">.*?number">(.*?)</i>.*?<span class="dash">.*?number">(.*?)</i>‘,re.S)
#挖出自己想要的内容 13 items=re.findall(pattern,html) 14 for item in items: 15 print(item[0])#发布人 16 print(item[1])#发布内容 17 print(item[2])#好笑数 18 print(item[3])#点赞数
对上面正则表达式略作解释：
（1）.*? 是固定搭配
（2）(.*?)代表一个分组，能将每一个括号里匹配的内容输出到终端。如第一个item[0]代表第一个分组即发布人。
（3）re.S代表在匹配时为点任意匹配模式
爬取部分结果如下：
正则表达式过于繁琐，对其进行简化
1 pattern=re.compile(‘<div.*?"author.*?">.*?title.*?<h2>(.*?)</h2>.*?"content">(.*?)<!--.*?-->.*?"stats">.*?number">(.*?)</i>.*?"dash">.*?number">(.*?)</i>‘,re.S)
标签：
原文地址：http://www.cnblogs.com/wujiadong2014/p/5094737.html
