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
代码语言：javascript代码运行次数：0运行复制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
代码语言：javascript代码运行次数：0运行复制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
...
进行匹配的正则式如下立即学习“Python免费学习笔记（深入）”；
代码语言：javascript代码运行次数：0运行复制
pattern=re.compile('....(.*?)...',re.S)(.*?) ：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
代码语言：javascript代码运行次数：0运行复制 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
