学习笔记（爬虫）：爬取古诗网站，获取每一篇古诗，并保存到本地

1、目标网站

目标网站：https://so.gushiwen.org/shiwen/default.aspx?

 

 

 

 

2、爬虫目的

爬取目标网站的文本，如古诗的内容，作者，朝代，并且保存到本地中。

 

 3、爬虫程序

# -*- coding:utf-8 -*-
#爬取古诗网站
import requests
import re

#下载数据
def write_data(data):
    with open('诗词.txt','a')as f:
        f.write(data)

for i in range(1,10):
    #目标url地址
    url =  "https://so.gushiwen.org/shiwen/default.aspx?page={}".format(i)
    headers={'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
           'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
           'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
           'Accept-Encoding': 'none',
           'Accept-Language': 'en-US,en;q=0.8',
           'Connection': 'keep-alive'}
    html = requests.get(url ,headers = headers).content.decode('utf-8')
    # print(html)
    p_title = '
(.*?)'
    title = re.findall(p_title, html)
    # 提取内容
    p_context = '
(.*?)'
    context = re.findall(p_context, html, re.S)
    #提取年代
    p_years = '
(.*?)'
    years = re.findall(p_years,html,re.S)
    #提取作者
    p_author = '
.*?：<.*?>(.*?)'
    author = re.findall(p_author,html)
    # print(context)
    # print(title)
    # print(years)
    # print(author)
    for j in range(len(title)):
        context[j] = re.sub('<.*?>', '', context[j])
        #'gbk' codec can't encode character '\u4729' ，没有这行会出现报错
        context[j] = re.sub(r'\u4729', '', context[j])
        # print(title[j])
        # print(years[j])
        # print(author[j])
        # print(context[j])
        #写入数据
        write_data(title[j])
        write_data('\n'+ years[j])
        write_data(' :'+ author[j])
        write_data(context[j])
    print('下载第{}页成功'.format(str(i)))

4、难点与思考

本次爬虫难点在于，正则表达式的使用，如使用正则表达式匹配古诗正文、古诗作者、古诗标题。正则表达式的使用，需要找到需要匹配的内容的前项和后项，这样才能精准的定位到需要匹配的内容。如匹配古诗正文：

 # 提取内容
    p_context = '
(.*?)'
    context = re.findall(p_context, html, re.S)

需要匹配的内容是括号中的内容，前项是'

，后项是

。这里需要注意的地方有两点，第一：id=”.*？“这里必须使用非贪婪模式，即加上？，如果不加？它会继续匹配下一个内容，这样就无法匹配到我们需要的内容；第二：（.*?)加？这里也使用了非贪婪模式，只匹配括号中的内容一次。而且匹配标题、作者年代、作者姓名，方法都类似，这里就不一一介绍了。