笔记-python编写ZH爬虫实践




import requests
from bs4 import BeautifulSoup
import re
import os
 
def get_html(url):
    """
    获取网页内容
    """
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except requests.RequestException:
        return None
 
def parse_html(html):
    """
    解析网页内容,提取标题和内容
    """
    soup = BeautifulSoup(html, 'lxml')
    title = soup.select('.entry-header h1')[0].text
    content = soup.select('.entry')[0].text
    return title, content
 
def save_note(title, content, save_dir):
    """
    保存笔记
    """
    with open(os.path.join(save_dir, f'{title}.txt'), 'w', encoding='utf-8') as f:
        f.write(content)
 
def main(url):
    html = get_html(url)
    title, content = parse_html(html)
    save_note(title, content, 'notes')
 
if __name__ == '__main__':
    url = 'http://example.com/some-article'  # 替换为目标文章的URL
    main(url)

这段代码实现了一个简单的网页爬取和保存文本内容的功能。首先定义了获取网页内容的函数get_html,使用了请求库requests获取网页。其次定义了解析网页内容的函数parse_html,使用了BeautifulSoup进行HTML内容的解析。最后定义了保存笔记的函数save_note,将解析得到的标题和内容保存到指定的目录。主函数main组合了这些功能,实现了一个简单的爬虫流程。

最后修改于:2024年08月23日 11:40

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日