之前的文章我们介绍了一下 Python 中的正则表达式和与爬虫正则相关的 re 模块，本章我们就利用正则表达式和 re 模块来做一个案例，爬取《糗事百科》的糗事并存储到本地。
我们要爬取的网站链接是 。
我们要爬取的是里面的糗事，在之前的文章中我们已经可以爬取整个 url 链接里的 html 内容，那么我们就可以根据爬取到的 html 代码，再通过 re 模块匹配我们想要的内容即可。
我们通过调用开发者工具检查 HTML 元素发现我们想要的内容在 <div class="content"> ...... </div> 内，根据这个我们可以写出代码如下：
1 import urllib.request 2 import re 3 import ssl 4 5 # 取消代理验证 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 url = "https://www.qiushibaike.com/text/page/1/" 9 # User-Agent头10 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'11 headers = { 'User-Agent': user_agent}12 req = urllib.request.Request(url, headers=headers)13 response = urllib.request.urlopen(req)14 # 获取每页的HTML源码字符串15 html = response.read().decode('utf-8')16 # 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容17 # re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配18 # 如果加上re.S 则是将所有的字符串将一个整体进行匹配19 pattern = re.compile(r' (.*?)', re.S)20 # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表21 content_list = pattern.findall(html)22 # 调用dealPage() 处理糗事里的杂七杂八23 print(content_list) 最终我们打印结果如下：
从上面的打印结果可以看出我们已经拿到了我们想要的数据，并且存储在了一个列表里，那么接下来我们只需要再处理一下列表，叫列表内杂七杂八的内容，如上图中的 \n <span>标签等去掉，就是我们想要的内容了。
1 for item in item_list:2 item = item.replace('', "").replace('查看全文', "").replace("","").replace("", "").replace("\n", "")3 print(item)4 self.writePage(item) 上面的代码中 item_list 即为我们上面所获取到的 content_list 列表，通过对列表的内容分析，我们发现有 <span> ，<span class="contentForAll">查看全文，</span>，<br/>，\n 等多余内容，我们通过 replace 方法将其转为空，剩下的就是我们想要的内容了，接下来就是存储到本地即可了。
上面就可以实现一个获取 糗事百科 的糗事的简单爬虫，但是只能爬取单个页面的内容，通过分析 url 我们发现 中最后的 1 即为页码，我们就可以根据这个页码逐一爬取更多页面的内容，最终的代码如下：
1 import urllib.request 2 import re 3 import ssl 4 5 # 取消代理验证 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 9 class Spider:10 def __init__(self):11 # 初始化起始页位置12 self.page = 113 # 爬取开关，如果为True继续爬取14 self.switch = True15 16 def loadPage(self):17 """18 作用：打开页面19 """20 url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/"21 # User-Agent头22 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'23 headers = { 'User-Agent': user_agent}24 req = urllib.request.Request(url, headers=headers)25 response = urllib.request.urlopen(req)26 # 获取每页的HTML源码字符串27 html = response.read().decode('utf-8')28 # 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容29 # re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配30 # 如果加上re.S 则是将所有的字符串将一个整体进行匹配31 pattern = re.compile(r' (.*?)', re.S)32 # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表33 content_list = pattern.findall(html)34 # 调用dealPage() 处理糗事里的杂七杂八35 self.dealPage(content_list)36 37 def dealPage(self, item_list):38 """39 @brief 处理得到的糗事列表40 @param item_list 得到的糗事列表41 @param page 处理第几页42 """43 for item in item_list:44 item = item.replace(' ', "").replace('查看全文', "").replace("","").replace("", "").replace("\n", "")45 self.writePage(item)46 47 def writePage(self, text):48 """49 @brief 将数据追加写进文件中50 @param text 文件内容51 """52 myFile = open("./duanzi.txt", 'a') # 追加形式打开文件53 myFile.write(text + "\n\n")54 myFile.close()55 56 def startWork(self):57 """58 控制爬虫运行59 """60 # 循环执行，直到 self.switch == False61 while self.switch:62 # 用户确定爬取的次数63 self.loadPage()64 command = input("如果继续爬取，请按回车（退出输入quit)")65 if command == "quit":66 # 如果停止爬取，则输入 quit67 self.switch = False68 # 每次循环，page页码自增169 self.page += 170 print("爬取结束！")71 72 73 if __name__ == '__main__':74 # 定义一个Spider对象75 qiushiSpider = Spider()76 qiushiSpider.startWork() 最终会在本地添加一个 qiushi.txt 的文件，结果如下：
