python爬取百度贴吧文字内容

爬取百度贴吧文字内容

方法1:

点击查看代码
**导入urllib库**
from urllib import request
**导入re正则模块库**
import re
	#指定爬取页数
url = "https://tieba.baidu.com/f?kw=%E6%AE%B5%E5%AD%90&ie=utf-8"
try:
	#指定请求体浏览器UA
    headers = {"User-Agent":
                   "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36"}
    req = request.Request(url, headers=headers)
    resp = request.urlopen(req)
	#把内容进行解码
    content = resp.read().decode('utf-8')
    print(content)
	#定义正则规则进行内容爬取
    pattern = re.compile(r'<a rel="noopener".*?title=(.*?)\s.*?>(.*?)</a>')
    items = re.findall(pattern, content)
	#遍历输出内容
    for i in items:
        print(i[0] + "\t" + i[1])
except request.URLError as e:
    if hasattr(e, 'code'):
        print(e.code)
    if hasattr(e, 'reason'):
        print(e.reason)

方法2(封装成方法形式):

点击查看代码
from urllib import request
import re


class TieBa:
    # 初始化方法
    def __init__(self):
        # 链接
        self.url = "https://tieba.baidu.com/f?kw=%E6%AE%B5%E5%AD%90&ie=utf-8&pn="
        # 请求头
        self.headers = {"User-Agent":
                            "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36"}
        # 列表 ,存储解析后的结果
        self.stories = []

    # 下载页面
    def getPage(self, page_number):
        try:
            # 定义请求
            req = request.Request(self.url + str(page_number), headers=self.headers)
            # 下载页面
            resp = request.urlopen(req)
            # 解码
            content = resp.read().decode('utf-8')
            # 返回结果
            return content
        except request.URLError as e:
            # 打印异常的响应码
            if hasattr(e, 'code'):
                print(e.code)
            if hasattr(e, 'reason'):
                print(e.reason)

    # 解析页面
    # global items

    def rexgPage(self, content):
        pattern = re.compile(r'<a rel="noopener".*?title=(.*?)\s.*?>(.*?)</ a>')
        items = re.findall(pattern, content)
        for i in items:
            self.stories.append(i[0] + "\t" + i[1])

    # 显示解析的内容
    def getContent(self):
        for i in self.stories:
            print(i)


	# 调用方法下载然后解析页面 - 显示解析的内容
s1 = TieBa()

print(s1.stories)
s1.rexgPage(s1.getPage(50))
s1.getContent()
posted @   N暖阳_李维宁  阅读(102)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· TypeScript + Deepseek 打造卜卦网站:技术与玄学的结合
· 阿里巴巴 QwQ-32B真的超越了 DeepSeek R-1吗?
· 【译】Visual Studio 中新的强大生产力特性
· 【设计模式】告别冗长if-else语句:使用策略模式优化代码结构
· 10年+ .NET Coder 心语 ── 封装的思维:从隐藏、稳定开始理解其本质意义
点击右上角即可分享
微信分享提示