爬虫练习一(爬取笑话集)

爬取笑话集网页

目标网址为：http://www.jokeji.cn/list.html

感觉这个网站挺简单，不用登陆，没有复杂的功能，好爬~

可以现在浏览器中访问这个链接看一下效果，你会发现这个页面是个目录，有很多笑话页面的链接。

还是先使用简单的代码试试有没有效果：

由于爬取的内容发现乱码，所以加上encoding

import requests         # 导入requests库
jokePage = requests.get('http://www.jokeji.cn/list.htm')
jokePage.encoding = 'gbk'
print(jokePage.text)

爬取每个笑话页面的连接

刚刚我们爬的那个页面，是所有笑话的目录，每个目录是一个链接，打开链接才能看到笑话的内容，所以我们要从刚刚爬取的页面中，提取所有的笑话页面链接。

* 网页就是文本，我们要从一个网页中爬取我们想要的内容，就是处理字符串 *。所以，分析刚刚爬取的页面，找到其中所有的笑话页面链接地址。

可以简单的认为，一个笑话页面的链接，都是如下结构的：/jokehtml/***/****.htm",不信你可以去刚刚爬到的网页源码里面看看！
知道了笑话页面链接的结构，就可以从网页源码里把所有的链接提取出来啦，当然，要使用正则表达式！

import requests         # 导入requests库
import re               # 导入正则表达式库
jokePage = requests.get('http://www.jokeji.cn/list.htm')
jokePage.encoding = 'gbk'
jokeList = re.findall('/jokehtml/[\w]+/[0-9]+.htm',jokePage.text)   # 使用正则表达式找到所有笑话页面的链接
print(jokeList)

利用爬到的笑话网页链接去访问笑话页面

简单点，先访问我们获取到的第一个链接，既 http://www.jokeji.cn + jokeList[0] 这个页面，访问的方法一样是用requests.get()方法，代码如下：

import requests         # 导入requests库
import re               # 导入正则表达式库
jokePage = requests.get('http://www.jokeji.cn/list.htm')
jokePage.encoding = 'gbk'
jokeList = re.findall('/jokehtml/[\w]+/[0-9]+.htm',jokePage.text)   # 使用正则表达式找到所有笑话页面的链接
jokeContent = requests.get('http://www.jokeji.cn/'+jokeList[1])     # 访问第一个链接
jokeContent.encoding = 'gbk'
print(jokeContent.text)

比如我就发现，所有的笑话都在标签中，而且后面都跟了一个数字代表这个笑话的序号，而其他非笑话的 标签后就没有数字，所以可以用'[0-9].*'这个简单的正则匹配到所有笑话！，把上面代码修改最后两句：

import requests         # 导入requests库
import re               # 导入正则表达式库
jokePage = requests.get('http://www.jokeji.cn/list.htm')
jokePage.encoding = 'gbk'
jokeList = re.findall('/jokehtml/[\w]+/[0-9]+.htm',jokePage.text)   # 使用正则表达式找到所有笑话页面的链接
jokeContent = requests.get('http://www.jokeji.cn/'+jokeList[0])     # 访问第一个链接
jokeContent.encoding = 'gbk'
jokes = re.findall('<P>[0-9].*</P>', jokeContent.text)      # 利用正则找到页面中的所有笑话
print(jokes)

完整代码如下：

import requests
import re
jokePage = requests.get('http://www.jokeji.cn/list.htm')   #取到笑话集完整网址
jokePage.encoding = 'gbk'
# print(jokePage.text)  #打印html页面
jokeList = re.findall('/jokehtml/[\w]+/[0-9]+.htm',jokePage.text)   #匹配到所有的链接
print(jokeList)
for jokeLink in jokeList:  #取到每一个链接jokeContent = requests.get('http://www.jokeji.cn/' + jokeLink)      # 访问第一个链接jokeContent.encoding = 'gbk'jokes = re.findall('<P>[0-9].*</P>', jokeContent.text)for joke in jokes:          # 循环打印笑话print(joke)print()