爬取 Angelababy词条历史版本 中的value值。
尝试爬取网页
# _*_ coding:utf-8 _*_
import urllib
import urllib2
import re
page = 1
url = 'https://baike.baidu.com/historylist/Angelababy/1509275#page'+str(page)
try:
request = urllib2.Request(url)
response = urllib2.urlopen(request)
print response.read()
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
运行结果:
可以看到已经爬取了此网页所有的内容。现在需要实现的就是爬取想要的value值了。
爬取目标内容
可以看到要爬取的内容,格式全部一样都是图中所示,代码如下:
<tr>
<td class="checkBox">
<input type="checkbox" value="128140635">
</td>
.
.
.
</tr>
所以我们做以下正则匹配:
pattern = re.compile('<tr>.*?<td class="checkBox">.*?<input.*?value="(.*?)">.*?</td>.*?</tr>',re.S)
全部代码如下:
# _*_ coding:utf-8 _*_
import urllib
import urllib2
import re
page = 1
url = 'https://baike.baidu.com/historylist/Angelababy/1509275#page'+str(page)
try:
request = urllib2.Request(url)
response = urllib2.urlopen(request)
content = response.read().decode('utf-8')
pattern = re.compile('<tr>.*?<td class="checkBox">.*?<input.*?value="(.*?)">.*?</td>.*?</tr>',re.S)
items = re.findall(pattern,content)
for item in items:
print(item)
except urllib2.URLError,e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
爬取结果如下:
学习链接
崔庆才的个人博客