Python3利用正则表达式抓取内涵段子实战

Cora

发布时间：2026-10-13| 5人浏览过

原创

本文介绍如何使用Python3结合正则表达式从内涵段子网站抓取内容。通过构造请求获取HTML源码，利用re模块匹配特定标签内的文本，清洗后保存至本地文件。代码包含分页处理、请求头设置及文件写入逻辑，适合初学者理解爬虫基础流程。

本文分享一个基于Python3的正则表达式爬虫实例，用于抓取内涵段子内容。该示例旨在为读者提供可参考的实现方案。

虽然正则表达式在复杂爬虫场景中并非总是首选，但它仍是开发者必须掌握的基础技能之一。

基本流程是：首先获取目标网页的HTML源码，接着使用正则表达式进行内容匹配，最后将匹配到的段子数据写入文本文件。具体实现代码如下：

# -*- coding:utf-8 -*-
from urllib import request as urllib2
import re
# 利用正则表达式爬取内涵段子
url = r'http://www.neihanpa.com/article/list_5_{}.html'
headers = {
  'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0',
}
file_name = '内涵段子.txt'
for page in range(2):
# 2表示页数，可以自行调整
  fullurl = url.format(str(page+1))
  request = urllib2.Request(url=fullurl, headers=headers)
  response = urllib2.urlopen(request)
  html = response.read().decode('gbk')
  # re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配
  # 如果加上re.S 则是将所有的字符串作为一个整体进行匹配
  pattern = re.compile(r'<div\sclass="f18 mb20">(.*?)</div>',re.S)
  duanzis = pattern.findall(html)
  for duanzi in duanzis:
    duanzi = duanzi.replace('<p>','').replace('</p>','').replace('<br />','\n').replace('&ldquo;','').replace('&rdquo','').replace('&hellip;','')
    try:
      # 将爬取的段子写入文件
      file = open(file_name,'a',encoding='utf-8')
      file.write('\n'.join(duanzi.split()))
      file.close()
    except OSError as e:
      print(e)

执行上述代码后，将生成如下所示的文件结果：