爬虫实战——爬百思不得姐

看完了爬虫的入门以后，想实战一下，因而找了一个段子网站——百思不得姐，爬一下段子：

---

首先进入到 http://www.budejie.com/text/，里面所有是段子，暂时只把段子爬下来，不爬图片，打开页面查看源代码:

---

---

发现段子都在相似于这样 <a href="(/detail-3242432.html)">段子</a> 的结构中，
因而咱们有办法了，把段子在的地方放入正则表达式reg = re.compile(r'<a href="(/detail-.*?)">(.*?)</a>')
点赞的人数也是重复上面的过程：

---

---

正则表达式reg = re.compile(r'<i class="icon-up ui-icon-up"></i>&nbsp;&nbsp;<span>(.*?)</span>

代码以下：

# encoding: utf-8
import urllib2
import re


def getduan():
    url = 'http://www.budejie.com/text/'
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'#代理
    headers = {'User-Agent': user_agent}
    request = urllib2.Request(url, headers=headers)
    response = urllib2.urlopen(request)
    res = response.read()
    reg = re.compile(r'<a href="(/detail-.*?)">(.*?)</a>')
    return re.findall(reg, res)


def up():
    url = 'http://www.budejie.com/text/'
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = {'User-Agent': user_agent}
    request = urllib2.Request(url, headers=headers)
    response = urllib2.urlopen(request)
    res = response.read()
    reg = re.compile(r'<i class="icon-up ui-icon-up"></i>&nbsp;&nbsp;<span>(.*?)</span>')
    return re.findall(reg, res)


if __name__ == '__main__':
    d = zip(getduan(), up())
    d = dict(d)
    count = 0
    for j, i in d.items():
        print '段子', (count+1),j[1]
        count = count+1
        print 'up人数：',i

这里用到了代理，为了防止反爬虫，环境是python2.7，最后获得的效果如图：

---

---

很是简单的爬虫没有用任何框架，接下来会用框架解决爬虫问题，请继续关注。