Python 爬虫实战 -- 糗事百科段子

早上起来闲来无事做，莫名其妙的就弹出了糗事百科的段子，转念一想既然你送上门来，那我就写个爬虫到你网站上爬一爬吧，一来当做练练手，二来也算找点乐子。

其实这两天也正在接触数据库的内容，可以将爬取下来的数据保存在数据库中，以待以后的利用。好了，废话不多说了，先来看看程序爬取的数据结果

这里写图片描述

值得一提的是，我在程序中想一下子爬取糗事百科 30 页的内容，但是出现了连接错误，当我把页数降到 20 页的时候，程序就可以正常的跑起来了，不知道是什么原因，渴望知道的大神可以告诉我一声，感激不尽。

程序非常简单，直接上源代码咯

# coding=utf8

import re
import requests
from lxml import etree
from multiprocessing.dummy import Pool as ThreadPool
import sys

reload(sys)
sys.setdefaultencoding('utf-8')


def getnewpage(url, total):
    nowpage = int(re.search('(\d+)', url, re.S).group(1))
    urls = []

    for i in range(nowpage, total + 1):
        link = re.sub('(\d+)', '%s' % i, url, re.S)
        urls.append(link)

    return urls


def spider(url):
    html = requests.get(url)
    selector = etree.HTML(html.text)

    author = selector.xpath('//*[@id="content-left"]/div/div[1]/a[2]/@title')
    content = selector.xpath('//*[@id="content-left"]/div/div[2]/text()')
    vote = selector.xpath('//*[@id="content-left"]/div/div[3]/span/i/text()')

    length = len(author)
    for i in range(0, length):
        f.writelines('作者 : ' + author[i] + '\n')
        f.writelines('内容 ：' + str(content[i]).replace('\n','') + '\n')
        f.writelines('支持 ： ' + vote[i] + '\n\n')


if __name__ == '__main__':

    f = open('info.txt', 'a')
    url = 'http://www.qiushibaike.com/text/page/1/'
    urls = getnewpage(url, 20)

    pool = ThreadPool(4)
    pool.map(spider,urls)
    f.close()

如果其中有不懂得部分，可以依次参考我的前三篇文章。