刚开始学习python爬虫，写了一个简单python程序爬取糗事百科。

　　具体步骤是这样的：首先查看糗事百科的url：http://www.qiushibaike.com/8hr/page/2/?s=4959489，可以发现page后的数据代表第几页。

　　然后装配request，注意要设置user_agent

1 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'2 headers = {
   'User-Agent': user_agent}3 request=urllib2.Request(url,headers=headers)4 response=urllib2.urlopen(request)

　　然后获取返回的数据

content=response.read().decode('utf-8')

　　然后是关键，使用正则匹配出所有的具体内容。这里可以使用浏览器的检查功能查看页面结构，写出相对应的正则式，比如我们对下面的<div class="content">...</div>进行匹配的正则式如下

pattern=re.compile('
     
      ....
      (.*?)...
     
',re.S)

items=re.findall(pattern,content)

　　(.*?)   ：表示组，该部分为一个整体，将该部分匹配到字符串作为返回值返回，findall表示找到所有匹配的字符串，以序列的形式返回

　　参数re.S表示"."点号匹配所有字符包括换行

 

 

下面是完整代码

1 import urllib 2 import urllib2 3 import re 4 import time 5  6 page=2 7 f=open("D:\qiushi.txt","r+") 8 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 9 headers = {
   'User-Agent': user_agent}10 while page<100:11     url="http://www.qiushibaike.com/8hr/page/"+str(page)+"/?s=4959460"12 13     print url14     try:15         request=urllib2.Request(url,headers=headers)16         response=urllib2.urlopen(request)17         content=response.read().decode('utf-8')18         # print content19         pattern=re.compile('
     
      ....
      (.*?)...
     
',re.S)20         items=re.findall(pattern,content)21         f.write((url+"\n").encode('utf-8'))22         for item in items:23             print "------"24             item=item+"\n"25             print item26             f.write("------\n".encode('utf-8'))27             f.write(item.replace('
','\n').encode('utf-8'))28     except urllib2.URLError,e:29         if hasattr(e,"code"):30             print e.code31         if hasattr(e,"reason"):32             print e.reason33     finally:34         page+=135         time.sleep(1)

这里我是将找到的输出到d盘下的qiushi.txt文件