|
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.request import urllib.parse import re rule_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+url2 req2=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。 (责任编辑：每日一笑) |
