这里我们利用强大的python爬虫来爬取一篇文章。仅仅做一个示范,更高级的用法还要大家自己实践。
好了,这里就不啰嗦了,找到一篇文章的url地址:http://www.duanwenxue.com/article/673911.html
(注意,有一些网站会做一些反爬处理,关于这些网站的爬取会在近期的文章中说明)
这是一篇散文,)
<meta http-equiv=”Content-Type” content=”text/html; charset=gb2312″ /> 可知网页的编码方式为GB2312
但在解码是要decode(’GB18030‘),
具体说明:
下面开始实现代码:
#
coding=GB18030
import urllib.request
from bs4 import BeautifulSoup
import re
url=”http://www.duanwenxue.com/article/673911.html”
a=urllib.request.urlopen(url)
htmlstr=a.read().decode(‘GB18030’)
soup=BeautifulSoup(htmlstr,’html.parser’)
y=re.compile(r'<p>([\s\S]*?)</p>’)
text=y.findall(str(soup)) #第一次正则表达式筛选所有<p></p>中的内容
x=”
print(len(text))
for i in range(0,len(text)):
x=x+text[i]
text1=re.sub(“</?\w+[^>]*>”,”,x) #去掉html标签
text2=text1.replace(“。”,’。\n\n\0\0′) #让文本更好看
print(text2)
输出结果:
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试