python爬虫代码示例分享

作者：大智软件
发表时间：2020-03-06
更新时间：2020-06-11
新闻资讯

这篇文章主要介绍了三个python爬虫项目实例代码，使用了urllib2库，文中示例代码非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友可以参考下。

python爬虫代码示例分享

一、爬取故事段子：

注：部分代码无法正常运行，但仍有一定的参考价值。

#encoding=utf-8

import urllib2

import re

class neihanba():

def spider(self):

'''

爬虫的主调度器

'''

isflow=True#判断是否进行下一页

page=1

while isflow:

url="http://www.neihanpa.com/article/list_5_"+str(page)+".html"

html=self.load(url)

self.deal(html,page)

panduan=raw_input("是否继续(y/n)!")

if panduan=="y":

isflow=True

page+=1

else:

isflow=False

def load(self,url):

'''

针对url地址进行全部爬去

:param url: url地址

:return: 返回爬去的内容

'''

header = {

"User-Agent": " Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36"

}

request = urllib2.Request(url, headers=header)

response = urllib2.urlopen(request)

html = response.read()

return html

def deal(self,html,page):

'''

对之前爬去的内容进行正则匹配，匹配出标题和正文内容

:param html:之前爬去的内容

:param page: 正在爬去的页码

'''

parrten=re.compile('<li class="piclist\d+">(.*?)</li>',re.S)

titleList=parrten.findall(html)

for title in titleList:

parrten1=re.compile('<a href="/article/\d+.html" rel="external nofollow" >(.*)</a>')

ti1=parrten1.findall(title)

parrten2=re.compile('<div class="f18 mb20">(.*?)</div>',re.S)

til2=parrten2.findall(title)

for t in ti1:

tr=t.replace("","").replace("","")

self.writeData(tr,page)

for t in til2:

tr=t.replace("","").replace("","").replace(" ","").replace(" ","").replace("&ldquo","\"").replace("&rdquo","\"")

self.writeData(tr,page)

def writeData(self,context,page):

'''

将最终爬去的内容写入文件中

:param context: 匹配好的内容

:param page: 当前爬去的页码数

'''

fileName = "di" + str(page) + "yehtml.txt"

with open(fileName, "a") as file:

file.writelines(context + "\n")

if __name__ == '__main__':

n=neihanba()

n.spider()

二、爬取智联：

#encoding=utf-8

import urllib

import urllib2

import re

class zhiLian():

def spider(self,position,workPlace):

'''

爬虫的主调度器

:param position: 职位

:param workPlace: 工作地点

'''

url="http://sou.zhaopin.com/jobs/searchresult.ashx?"

url+=urllib.urlencode({"jl":workPlace})

url+="&"

url+=urllib.urlencode({"kw":position})

isflow=True#是否进行下一页的爬去

page=1

while isflow:

url+="&"+str(page)

html=self.load(url)

self.deal1(html,page)

panduan = raw_input("是否继续爬虫下一页(y/n)!")

if panduan == "y":

isflow = True

page += 1

else:

isflow = False

def load(self,url):

'''

针对url地址进行全部爬去

:param url: url地址

:return: 返回爬去的内容

'''

header = {

"User-Agent": " Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36"

}

request = urllib2.Request(url, headers=header)

response = urllib2.urlopen(request)

html = response.read()

return html

def deal1(self,html,page):

'''

对之前爬去的内容进行正则匹配，匹配职位所对应的链接

:param html:之前爬去的内容

:param page: 正在爬去的页码

'''

parrten=re.compile('<a\s+style="font-weight:\s+bold"\s+par="ssidkey=y&ss=\d+&ff=\d+&sg=\w+&so=\d+"\s+href="(.*?)" rel="external nofollow" target="_blank">.*?</a>',re.S)

til=parrten.findall(html)#爬去链接

for t in til:

self.deal2(t,page)

def deal2(self,t,page):

'''

进行二次爬虫，然后在新的页面中对公司、薪资、工作经验进行匹配

:param t: url地址

:param page: 当前匹配的页数

'''

html=self.load(t)#返回二次爬虫的内容

parrten1=re.compile('<a\s+onclick=".*?"\s+href=".*?" rel="external nofollow" \s+target="_blank">(.*?)\s+.*?<img\s+class=".*?"\s+src=".*?"\s+border="\d+"\s+vinfo=".*?"></a>',re.S)

parrten2=re.compile('<li>职位月薪：(.*?) <a.*?>.*?</a></li>',re.S)

parrent3=re.compile('<li>工作经验：(.*?)</li>',re.S)

til1=parrten1.findall(html)

til2=parrten2.findall(html)

til3=parrent3.findall(html)

str=""

for t in til1:

t=t.replace('<img title="专属页面" src="//img03.zhaopin.cn/2012/img/jobs/icon.png" border="0" />',"")

str+=t

str+="\t"

for t in til2:

str+=t

str += "\t"

for t in til3:

str+=t

self.writeData(str,page)

def writeData(self,context,page):

'''

将最终爬去的内容写入文件中

:param context: 匹配好的内容

:param page: 当前爬去的页码数

'''

fileName = "di" + str(page) + "yehtml.txt"

with open(fileName, "a") as file:

file.writelines(context + "\n")

if __name__ == '__main__':

position=raw_input("请输入职位：")

workPlace=raw_input("请输入工作地点：")

z=zhiLian()

z.spider(position,workPlace)

三、爬取贴吧：

#encoding=utf-8

import urllib

import urllib2

import re

class teiba():

def spider(self,name,startPage,endPage):

url="http://tieba.baidu.com/f?ie=utf-8&"

url+=urllib.urlencode({"kw":name})

for page in range(startPage,endPage+1):

pn=50*(page-1)

urlFull=url+"&"+urllib.urlencode({"pn":pn})

html=self.loadPage(url)

self.dealPage(html,page)

def loadPage(self,url):

header={

"User-Agent":" Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36"

}

request=urllib2.Request(url,headers=header)

response=urllib2.urlopen(request)

html=response.read()

return html

def dealPage(self,html,page):

partten=re.compile(r'<a\s+rel="noreferrer"\s+href="/p/\d+" rel="external nofollow" \s+title=".*?"\s+target="_blank" class="j_th_tit\s+">(.*?)</a>',re.S)

titleList=partten.findall(html)

rstr=r'<span\s+class="topic-tag"\s+data-name=".*?">#(.*?)#'

for title in titleList:

title=re.sub(rstr,"",title)

self.writePage(title,page)

def writePage(self,context,page):

fileName="di"+str(page)+"yehtml.txt"

with open(fileName,"a") as file:

file.writelines(context+"\n")

if __name__ == '__main__':

name=raw_input("请输入贴吧名：")

startPage=raw_input("请输入起始页：")

endPage=raw_input("请输入终止页：")

t=teiba()

t.spider(name,int(startPage),int(endPage))

快速导航

开发项目

联系方式

公司：济南大智软件有限公司
地址：中国（山东）自由贸易试验区济南片区鲁商凤凰广场6号楼5层
电话：0531-88989050
手机：13853129552
网址：www.dzsoft.cn
邮箱：info@dzsoft.cn