鱼C论坛

 找回密码
 立即注册
查看: 1503|回复: 0

[分享] 看了课堂上煎蛋的爬虫,用正则表达式略微简化

[复制链接]
发表于 2020-1-8 22:52:56 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能^_^

您需要 登录 才可以下载或查看,没有账号?立即注册

x
因为是几年前的视频,其实网页代码已经改变了不少了,最近看完视频,根据网页变化和前面一些课程的理解尝试了一下把视频中冗长的字符串搜索改成正则表达式来进行爬取,代码如下:
import urllib.request
import os
import re
from bs4 import BeautifulSoup

def url_open(url):#模拟浏览器登录
    req = urllib.request.Request(url)
    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36')
    response = urllib.request.urlopen(url)
    html = response.read()
    return html


def find_imgs(url):#获取图片地址,返回图片列表
    soup = BeautifulSoup(url_open(url),'html.parser')
    img_addrs = []
    for each in soup.find_all(src=re.compile('.jpg')):
        img_addrs.append('http:' + each['src'])

    return img_addrs


def save_imgs(folder,img_addrs):#将每个图片地址打开保存
    for each in img_addrs:
        filename = each.split('/')[-1]
        with open(filename,'wb') as f:
            img = url_open(each)
            f.write(img)


def download(folder='ooxx',page=10):#主函数,打印十页内容到‘ooxx’文件夹
    os.mkdir(folder)
    os.chdir(folder)

    url = 'http://jandan.net/ooxx/'

    for i in range(page):
        img_addrs = find_imgs(url)
        save_imgs(folder,img_addrs)
        #下一页
        soup = BeautifulSoup(url_open(url),'html.parser')
        url = 'http:' + soup.find(title='Older Comments')['href']



if __name__ == '__main__':
    download()

总的来说简短了不少
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-12-22 13:20

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表