爬虫最基本的工作流程：内涵社区网站为例

import requests

r = requests.get("https://www.baidu.com/img/bd_logo1.png")

with open("baidu.png","wb") as f:
f.write(r.content)

url=http://neihanshequ.com/
headers= {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}

r = requests.get(url,headers=headers)
html_str = r.content.decode()

'''
<h1 class="title">
<p>公交车上，一小伙对着手机打公放点微信语音：“臭小子，你是不是一点也不想你老娘？都不知道陪我聊聊天，回家来看看我...”每点开这段语音，小伙都自言自语说道：“别唠叨啦，我每天都陪你聊天，好不好！想你了，老妈...”一大爷看不下去了，说道：“小伙子！你能不能不循环播这段语音，你要是想你妈了，能不能给她打个电话？”小伙说道：“上个月她走了，就只剩下这段语音了...”</p>
</h1>'''
t = re.findall(r"<h1 class=\"title\">.*?<p>(.*?)</p>.*?</h1>",html_str,re.S)

with open("neihan.txt","w",encoding="utf-8") as f:
for i in t:
f.write(i)
f.write("\n")

import re
import requests
def Neihan（）：
url=http://neihanshequ.com/
headers= {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}
r = requests.get(url,headers=headers)
html_str = r.content.decode()
'''
<h1 class="title">
<p>公交车上，一小伙对着手机打公放点微信语音：“臭小子，你是不是一点也不想你老娘？都不知道陪我聊聊天，回家来看看我...”每点开这段语音，小伙都自言自语说道：“别唠叨啦，我每天都陪你聊天，好不好！想你了，老妈...”一大爷看不下去了，说道：“小伙子！你能不能不循环播这段语音，你要是想你妈了，能不能给她打个电话？”小伙说道：“上个月她走了，就只剩下这段语音了...”</p>
</h1>'''
t = re.findall(r"<h1 class=\"title\">.*?<p>(.*?)</p>.*?</h1>",html_str,re.S)
with open("neihan.txt","w",encoding="utf-8") as f:
for i in t:
f.write(i)
f.write("\n")
Neihan（）

# coding=utf-8
import requests
import re
import json

class Neihan:
def __init__(self):
self.start_url = "http://neihanshequ.com/"
self.headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}
self.next_url_temp = "http://neihanshequ.com/joke/?is_json=1&app_name=neihanshequ_web&max_time={}"

def parse_url(self,url): #发送url地址的请求，获取响应
r = requests.get(url,headers=self.headers)
return r.content.decode()

def get_first_page_content_list(self,html_str):
t = re.findall(r"<h1 class=\"title\">.*?<p>(.*?)</p>.*?</h1>", html_str, re.S)
#获取max——time
max_time = re.findall("max_time: '(.*?)'",html_str,re.S)[0]
return t,max_time

def save_content_list(self,content_list): #保存
for content in content_list:
print(content)

def get_content_list(self,html_str):
dict_response = json.loads(html_str)
content_list = [i["group"]['text']  for i in dict_response["data"]["data"]]
max_time = dict_response["data"]["max_time"]
#获取has_more
has_more = dict_response["data"]["has_more"]
return content_list,max_time,has_more

def run(self):#实现主要逻辑
#1.start_url
#2.发送请求，获取响应
html_str = self.parse_url(self.start_url)
#3.提取数据
content_list,max_time = self.get_first_page_content_list(html_str)
#4.保存
self.save_content_list(content_list)
#5.获取第二页的url
has_more=True
while has_more:
next_url = self.next_url_temp.format(max_time)
html_str = self.parse_url(next_url)  #发送下一页的请求
content_list,max_time,has_more = self.get_content_list(html_str)#获取json中的段子和max——time
self.save_content_list(content_list)

if __name__ == '__main__':
neihan = Neihan()
neihan.run()