python-re(正则)实现简单爬虫实例（文字、图片、视频）

爬虫-文字爬取

import re
import requests
respone = requests.get('https://ishuo.cn/') ##获取网站url
data = respone.text ##把字符串转化成文本
result_list = re.findall('<div class="content">(.*?)</div>',data) ##找到需要爬取的内容,需要爬取的内容用'(.*?)'来代替，其他格式不变。
'''
<div class="content">如果你得罪了老板，失去的只是一份工作；
如果你得罪了客户，失去的不过是一份订单；是的，世上只有一个人可以得罪：你给她脸色看，你冲她发牢骚，
你大声顶撞她，甚至当 着她的面摔碗，她都不会记恨你，原因很简单，因为她是你的母亲。</div>
'''
for result in result_list:  ##爬取这个网页所有标记的文本
    print(result)

爬虫-图片爬取

import re
import requests
count = 0
for i in range(44): ##设置图片网页的范围，进行网页跳转。
    url = f'http://www.xiaohuar.com/list-1-{i}.html' ##获取跳转网页的url路径
    response = requests.get(url) ##获取网页url路径，并赋值给response
    data= response.text  ##将response转化成text文本并赋值给data
    # print(data)
    result_list = re.findall('src="(.*?)"',data)  ##从data文本中提取需要爬取的图片路径，用“（.*?）”来代替，并赋值给result_list（变成列表）
    for result in result_list: # type:str ##逐个提取图片url出来
        if result.startswith('https'):  ##刷选开头是”https“的图片url
            img_respone = requests.get(result)  ##将开头是“https”的图片url提取出来，并赋值给img_response列表
            # print(img_respone)
            img_name = result.split('/')[-1]  ##对列表中图片url以“/”标识进行切分，并提取最后一段url，并赋值给img_name
            # print(img_name)
            img_data = img_respone.content  ##将列表img_response转换成二进制格式
            with open (img_name,'wb') as fw:  ##打开img_name文件，并赋予写入权限（以字节格式写入）
                fw.write(img_data)  ##将img_data的数据写入img_name文件
                fw.flush()   ##快速写入
            count +=1
            print(f'爬取了{count}张图片')  ##可以显示提示提取了多少张图片

爬虫-视频爬取

import re
import requests
response = requests.get('https://www.ku6.com/index') ##获取网站url
data = response.text  ##将response转换成文本格式
count = 0
result_list = re.findall('<a class="video-image-warp" target="_blank" href="(.*?)">',data)  ##获取视频地址
for result in result_list: #type:str ##将获取第一层视频地址全部提取出来
    # print(result)
    if result.startswith('/detail/') or result.startswith('/video/'):   ##判断result里面以“/detail/”和“/video/”开头的url路径
        result = f'https://www.ku6.com{result}'  ## 提取判断正确的url路径，并赋值给第二层url列表
        result_response = requests.get(result)  ##重新获取第二层视频url路径，并赋值给response1
        data1 = result_response.text    ##将response1格式转换成文本
        #print(data1)
        video_url = re.findall('<source src="(.*?)" type="video/mp4">',data1) ##获取视频地址
        # print(video_url)
        if not video_url:   ##对视频格式进行判断
            video_url = re.findall('flvURL: "(.*?)"',data1)  ##如果视频不是这个url格式，则更换成另外一种格式
        # print(video_url)
        video_response = requests.get(video_url[0])  ##获取视频url路径
        video_data = video_response.content

        video_name = f"{video_url[0].split('/')[-1]}.mp4"
        with open (video_name,'wb') as fw:
            fw.write(video_data)
            fw.flush()
        count +=1
        print(f'爬取了{count}个视频')