初识python 之 爬虫：使用正则表达式爬取“古诗文”网页数据

通过requests、re(正则表达式) 爬取“古诗文”网页数据。

详细代码如下：

#!/user/bin env python
# author:Simple-Sir
# time:2019/7/31 22:01
# 爬取古诗文网页数据
import re
import requests
 
def getHtml(page):
    '''
    获取网页数据
    :param page:  页数
    :return:  网页html数据(文本格式)
    '''
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
    }
    url = 'https://www.gushiwen.org/default_{}.aspx'.format(page)  # 获取几页数据
    respons = requests.get(url,headers=headers)
    html = respons.text
    return html
 
def getText(html):
    titles = re.findall(r'<div class="cont">.*?<b>(.*?)</b>',html,re.DOTALL)  # 获取标题 re.DOTALL 匹配所有字符，包含\n（.无法匹配\n）
    caodai = re.findall(r'<p class="source">.*?<a.*?>(.*?)</a>',html,re.DOTALL)  # 获取朝代
    author = re.findall(r'<p class="source">.*?<a.*?>.*?<a.*?>(.*?)</a>',html,re.DOTALL)  # 获取朝代
    contents = re.findall(r'<div class="contson".*?>(.*?)</div>',html,re.DOTALL)  # 获取内容，包含标签符号
    con_texts =[] # 内容，不含标签符号
    for i in contents:
        rsub = re.sub('<.*?>','',i)
        con_texts.append(rsub.strip()) # strip 去空格
    si = []
    for v in zip(titles,caodai,author,con_texts):
        bt, cd, zz, nr = v
        s = {
            '标题':bt,
            '朝代': cd,
            '作者': zz,
            '内容': nr
        }
        si.append(s)
    return si
 
def main():
    p = int(input('您想要获取多少页的数据？\n'))
    for page in range(1,p+1):
        print('第{}页数据：'.format(page))
        html = getHtml(page)
        text = getText(html)
        for i in text:
            print(i)
 
if __name__ == '__main__':
    main()

爬取“古诗文”网页数据

执行结果：