python爬蟲爬取可可英語官網(wǎng)----四級翻譯

可可英語四級備考界面

爬蟲基礎(chǔ)介紹:

  • 1.url:某個(gè)網(wǎng)頁的網(wǎng)址
  • 2.帶反扒機(jī)制的網(wǎng)頁绘梦,加個(gè)header
header={'User-Agent':'Mozilla/5.0 
(Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
Chrome/56.0.2924.87 Safari/537.36'}
  • 3.模擬瀏覽器進(jìn)入網(wǎng)頁:
request = urllib2.Request(url,headers=header)
  • 4.打開網(wǎng)址:
response = urllib2.urlopen(request)
  • 5.獲取源碼漂问,讀取網(wǎng)頁
html = response.read()
  • 6.編寫正則表達(dá)式:
pattern = re.compile(r"----正則表達(dá)式----")
  • 7.匹配正則表達(dá)式:
items = re.findall(pattern,html)#  注意:此時(shí)的items是一個(gè)列表捂寿,用來存放匹配到的東西
  • 代碼分享
#coding=utf-8
import urllib2
from constants import url
import re
import sys
import os

reload(sys)
sys.setdefaultencoding('utf-8')#解決編碼中出現(xiàn)亂碼問題

def get_title(url):
    req = urllib2.Request(url)
    req.add_header('User-Agent',
                   'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.109 Safari/537.36')#添加頭部信息
    res = urllib2.urlopen(req)
    html = res.read()
    response = re.compile(r'id="nrtitle">(.*?)</h1>', re.S)
    title = re.findall(response, html)[0]#通過re模塊進(jìn)行內(nèi)容匹配查找
    title = title.replace('?','')#字符串的替換
    title = title.replace('&','')
    title = title.replace(';','')
    title = title.replace('#','')
    title = title.replace('34','')
    return title



def get_first_page(url):
    req = urllib2.Request(url)
    req.add_header('User-Agent',
    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.109 Safari/537.36')
    res = urllib2.urlopen(req)
    html = res.read()
    response = re.compile(r'<span id="article_eng">(.*?)<script>',re.S)
    contents = re.findall(response,html)[0]
    contents = contents.replace('</p>','')
    contents = contents.replace('<p>','')
    contents = contents.replace('<strong>','')
    contents = contents.replace('</strong>','\n')
    contents = contents.replace('<br />','')
    return  contents

def get_second_page(url):
    # print '參考翻譯:'
    req = urllib2.Request(url)
    req.add_header('User-Agent',
    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.109 Safari/537.36')
    res = urllib2.urlopen(req)
    html = res.read()
    response = re.compile(r'<span id="article_eng">(.*?)<script>', re.S)
    contents = re.findall(response, html)[0]
    contents = contents.replace('</p>', '')
    contents = contents.replace('<p>', '')
    contents = contents.replace('<strong>', '')
    contents = contents.replace('</strong>', '')
    contents = contents.replace(''', '')
    contents = contents.replace('<br />', '\n')
    return contents

def get_third_page(url):
    req = urllib2.Request(url)
    req.add_header('User-Agent',
    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.109 Safari/537.36')
    res = urllib2.urlopen(req)
    html = res.read()
    response = re.compile(r'<span id="article_eng">(.*?)<script>', re.S)
    contents = re.findall(response, html)[0]
    contents = contents.replace('</p>', '')
    contents = contents.replace('<p>', '')
    contents = contents.replace('<strong>', '')
    contents = contents.replace('<br />', '')
    contents = contents.replace('</strong>', '\n')
    return contents


req = urllib2.Request(url)
res = urllib2.urlopen(req)
html = res.read()
reg = re.compile(r'http://www.kekenet.com/menu/201\d+/[0-9]{6}',re.S)
url_items = re.findall(reg,html)
fin_url=[]
for i in url_items:
    urls = []
    u1 = i+'.shtml'
    u2 = i+'_2.shtml'
    u3 = i+'_3.shtml'
    urls.append(u1)
    urls.append(u2)
    urls.append(u3)
    fin_url.append(urls)

print '開始。眯停。鲫构。'
for x in fin_url:
    title = get_title(x[0])#函數(shù)的調(diào)用
    # print title
    first = get_first_page(x[0])
    second = get_second_page(x[1])
    third = get_third_page(x[2])
    filename = u'%s.docx' %title.split(':')[1]#切片操作
    filename = filename.decode('utf-8')
    path = os.path.join('traslate12', filename)#python中路徑的拼接
    f = open(path,'a')#打開文件
    f.write('\t\t'+title+'\n'+'翻譯原文:\n'+first+'\n'+'譯文:\n'+second+'\n'+'詳細(xì)解釋\n'+third)#寫入處理后的數(shù)據(jù)
    f.close()

print '爬蟲工作結(jié)束抵怎。奋救。。'
自動(dòng)化生成到文件中
word文檔實(shí)例展示
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末反惕,一起剝皮案震驚了整個(gè)濱河市尝艘,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌姿染,老刑警劉巖背亥,帶你破解...
    沈念sama閱讀 221,406評論 6 515
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件秒际,死亡現(xiàn)場離奇詭異,居然都是意外死亡狡汉,警方通過查閱死者的電腦和手機(jī)娄徊,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,395評論 3 398
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來盾戴,“玉大人寄锐,你說我怎么就攤上這事〖夥龋” “怎么了橄仆?”我有些...
    開封第一講書人閱讀 167,815評論 0 360
  • 文/不壞的土叔 我叫張陵,是天一觀的道長衅斩。 經(jīng)常有香客問我盆顾,道長,這世上最難降的妖魔是什么畏梆? 我笑而不...
    開封第一講書人閱讀 59,537評論 1 296
  • 正文 為了忘掉前任您宪,我火速辦了婚禮,結(jié)果婚禮上具温,老公的妹妹穿的比我還像新娘蚕涤。我一直安慰自己,他們只是感情好铣猩,可當(dāng)我...
    茶點(diǎn)故事閱讀 68,536評論 6 397
  • 文/花漫 我一把揭開白布揖铜。 她就那樣靜靜地躺著,像睡著了一般达皿。 火紅的嫁衣襯著肌膚如雪天吓。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,184評論 1 308
  • 那天峦椰,我揣著相機(jī)與錄音龄寞,去河邊找鬼。 笑死汤功,一個(gè)胖子當(dāng)著我的面吹牛物邑,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播滔金,決...
    沈念sama閱讀 40,776評論 3 421
  • 文/蒼蘭香墨 我猛地睜開眼色解,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了餐茵?” 一聲冷哼從身側(cè)響起科阎,我...
    開封第一講書人閱讀 39,668評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎忿族,沒想到半個(gè)月后锣笨,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體蝌矛,經(jīng)...
    沈念sama閱讀 46,212評論 1 319
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,299評論 3 340
  • 正文 我和宋清朗相戀三年错英,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了入撒。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,438評論 1 352
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡椭岩,死狀恐怖衅金,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情簿煌,我是刑警寧澤氮唯,帶...
    沈念sama閱讀 36,128評論 5 349
  • 正文 年R本政府宣布,位于F島的核電站姨伟,受9級特大地震影響惩琉,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜夺荒,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,807評論 3 333
  • 文/蒙蒙 一瞒渠、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧技扼,春花似錦伍玖、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,279評論 0 24
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至丽旅,卻和暖如春椰棘,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背榄笙。 一陣腳步聲響...
    開封第一講書人閱讀 33,395評論 1 272
  • 我被黑心中介騙來泰國打工邪狞, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人茅撞。 一個(gè)月前我還...
    沈念sama閱讀 48,827評論 3 376
  • 正文 我出身青樓帆卓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親米丘。 傳聞我的和親對象是個(gè)殘疾皇子剑令,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,446評論 2 359

推薦閱讀更多精彩內(nèi)容

  • 1 前言 作為一名合格的數(shù)據(jù)分析師,其完整的技術(shù)知識體系必須貫穿數(shù)據(jù)獲取蠕蚜、數(shù)據(jù)存儲(chǔ)尚洽、數(shù)據(jù)提取悔橄、數(shù)據(jù)分析靶累、數(shù)據(jù)挖掘腺毫、...
    whenif閱讀 18,079評論 45 523
  • Spring Cloud為開發(fā)人員提供了快速構(gòu)建分布式系統(tǒng)中一些常見模式的工具(例如配置管理,服務(wù)發(fā)現(xiàn)挣柬,斷路器潮酒,智...
    卡卡羅2017閱讀 134,695評論 18 139
  • 要玩大數(shù)據(jù)急黎,沒有數(shù)據(jù)怎么玩?這里推薦一些33款開源爬蟲軟件給大家侧到。 爬蟲勃教,即網(wǎng)絡(luò)爬蟲,是一種自動(dòng)獲取網(wǎng)頁內(nèi)容的程序...
    評評分分閱讀 8,001評論 2 121
  • 你爬了嗎匠抗? 要玩大數(shù)據(jù)故源,沒有數(shù)據(jù)怎么玩?這里推薦一些33款開源爬蟲軟件給大家汞贸。 爬蟲绳军,即網(wǎng)絡(luò)爬蟲,是一種自動(dòng)獲取網(wǎng)...
    Albert新榮閱讀 2,229評論 0 8
  • 圣人每日三省己身矢腻,唯恐有過门驾,我非圣人孰能無過,自當(dāng)見賢思齊多柑,從今天開始每天在朋友圈記錄每日收獲過錯(cuò)奶是,各位親朋好友,...
    梅川內(nèi)庫閱讀 191評論 0 0