Python3使用正则表达式爬取内涵段子示例

本文实例讲述了Python3使用正则表达式爬取内涵段子的方法。分享给大家供大家参考，具体如下：

似乎正则在爬虫中用的不是很广泛，但是也是基本功需要我们去掌握。

先将内涵段子网页爬取下来，之后利用正则进行匹配，匹配完成后将匹配的段子写入文本文档内。代码如下：

# -*- coding:utf-8 -*-from urllib import request as urllib2import re# 利用正则表达式爬取内涵段子url = r'http://www.neihanpa.com/article/list_5_{}.html'headers = {  'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0',}file_name = '内涵段子.txt'for page in range(2):# 2表示页数，可以自行调整  fullurl = url.format(str(page+1))  request = urllib2.Request(url=fullurl, headers=headers)  response = urllib2.urlopen(request)  html = response.read().decode('gbk')  # re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配  # 如果加上re.S 则是将所有的字符串作为一个整体进行匹配  pattern = re.compile(r'<div/sclass="f18 mb20">(.*?)</div>',re.S)  duanzis = pattern.findall(html)  for duanzi in duanzis:    duanzi = duanzi.replace('<p>','').replace('</p>','').replace('<br />','/n').replace('“','').replace('&rdquo','').replace('…','')    try:      # 将爬取的段子写入文件      file = open(file_name,'a',encoding='utf-8')      file.write('/n'.join(duanzi.split()))      file.close()    except OSError as e:      print(e)

运行后生成如下图所示文件：

PS：这里再为大家提供2款非常方便的正则表达式工具供大家参考使用：

JavaScript正则表达式在线测试工具：
http://tools.jb51.net/regex/javascript

正则表达式在线生成工具：
http://tools.jb51.net/regex/create_reg

更多关于Python相关内容可查看本站专题：《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。