您好,登錄后才能下訂單哦!
了解正則表達式如何在python中爬取問答?這個問題可能是我們?nèi)粘W(xué)習(xí)或工作經(jīng)常見到的。希望通過這個問題能讓你收獲頗深。下面是小編給大家?guī)淼膮⒖純?nèi)容,讓我們一起來看看吧!
爬蟲思路
1、確定爬取的url路徑,headers參數(shù)
2、發(fā)送請求 -- requests 模擬瀏覽器發(fā)送請求,獲取響應(yīng)數(shù)據(jù)
3、解析數(shù)據(jù) -- re模塊:提供全部的正則表達式功能
4、保存數(shù)據(jù) -- 保存json格式的數(shù)據(jù)
完整步驟:
確定爬取的url路徑,headers參數(shù)
base_url = 'https://www.guokr.com/ask/highlight/' headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'}
發(fā)送請求 -- requests 模擬瀏覽器發(fā)送請求,獲取響應(yīng)數(shù)據(jù)
response = requests.get(base_url, headers=headers) data = response.text
解析數(shù)據(jù) -- re模塊:提供全部的正則表達式功能
href="https://www.guokr.com/question/669761/">印度人把男人的生殖器叫林伽,把女人的生殖器叫瑜尼,林伽和瑜尼的交合,便是瑜伽。這是真還是假的</a></h3>
編譯正則表達式 預(yù)編譯的代碼對象比直接使用字符串要快,因為解釋器在執(zhí)行字符串形式的代碼前都必須把字符串編譯成代碼對象
pattern = re.compile('<h3><a target="_blank" href="(.*?)">(.*?)</a></h3>', re.S) pattern_list = pattern.findall(data) # -->list # json [{[]}]{} # 構(gòu)建json數(shù)據(jù)格式 data_list = [] for i in pattern_list: data_dict = {} data_dict['title'] = i[1] data_dict['href'] = i[0] data_list.append(data_dict)
保存json格式的文件
with open("guoke01.json", 'w', encoding='utf-8') as f: f.write(json_data_list)
構(gòu)建一個循環(huán)爬取
for page in range(1, 101): print("====正在爬取第{}業(yè)數(shù)據(jù)====\n".format(page))
優(yōu)化代碼,把page傳遞進去
base_url = 'https://www.guokr.com/ask/highlight/?page={}'.format(str(page))
把列表添加到for循環(huán)上面去
data_list = []
最后運行代碼。
感謝各位的閱讀!看完上述內(nèi)容,你們對正則表達式如何在python中爬取問答大概了解了嗎?希望文章內(nèi)容對大家有所幫助。如果想了解更多相關(guān)文章內(nèi)容,歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。