# 爬取古诗文网
# 使用re、正则表达式findall函数
import re
import requests

def  data_capture(url):
    Contents = []
    poems = []
    headers = {

        'Use-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
        'referer':'https://www.gushiwen.org/default_1.aspx'
    }
    response = requests.get(url,headers = headers)
    text = response.text
    title = re.findall(r'<div class="cont">.*?<b>(.*?)</b>',text,re.DOTALL) # re.DOTALL的用法将 . 匹配到换行符
    '''
    .*? # 非贪婪匹配到<b>标签
    (.*?) # 非贪婪匹配从<b>到</b>标签的文字
    '''
    dynasty = re.findall('<p class="source">.*?<a.*?>(.*?)</a>',text,re.DOTALL)
    '''
    .*? # 非贪婪匹配到<a>标签
    <a.*?> # 非贪婪匹配到>标签
    (.*?)</a> # 非贪婪匹配>到</a>标签中的文字
    '''
    poet = re.findall('<p class="source">.*?<a.*?>.*?<a.*?>(.*?)</a>',text,re.DOTALL)
    '''
    .*? # P标签下面有两个a标签，一个a标签是年代，一个是名字
    <a.*?> # 第一个a标签内容
    .*? # 第一个标签a后面的内容
    <a.*?> # 匹配到第二个a标签内容
    '''
    contens = re.findall('<div class="contson".*?>(.*?)</div>',text,re.DOTALL)
    for conten in contens:
        Content = re.sub('<br\s/>|<p>|</p>','',conten)
        Contents.append(Content.strip())
    
    for value in zip(title,dynasty,poet,Contents):
        title,dynasty,poet,Contents = value
        poem = {
            '题目':title,
            '朝代':dynasty,
            '诗人':poet,
            '内容':Contents
        }
        poems.append(poem)
def spider():
    Datas = [] 
    urls = 'https://www.gushiwen.org/default_{}.aspx'
    for i in range(1,11):
        url = urls.format(i)
        data_capture(url)
        break

spider()

'''
ps:总结，这次爬虫使用的是re,request,findall,其中findall寻找标签下的内容通过()去完成,贪婪模式和非贪婪模式是重点
   re.DOTALL的用法将 . 匹配到换行符
'''