翻页抓取

2015-10-31 0 758
翻页抓取
#!/usr/bin/env python
#coding:utf-8
import urllib2
import re
import os
 
def getHtml(url):   #获取html源码
	headers={"User-Agent":"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1"}
	req=urllib2.Request(url,headers=headers)
	response=urllib2.urlopen(req)
	html=response.read().decode('utf-8')
	return html
 
def urlPages(page):     #翻页
    url = 'https://but/company/lists/page/' + str(page)
    #print url
    return url
 
def findList(html):     #正则匹配列表
    myitems=re.findall('www.*?</td>',html,re.S)

    return myitems
 
for page in range(1, 78+1):    #抓取的页数
    #print page
    html = getHtml(urlPages(page))
    items = findList(html)
    for item in items:
        s = item
        s=item.replace('</td>','')
        #print s
        file_object = open('but.txt', 'a')
        file_object.writelines(s+'\n')
        file_object.close()

print (u'\n\n本王的网站下载完毕啦!')

遇见资源网 python 翻页抓取 http://www.ox520.com/15873.html

常见问题

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务