Python爬虫实战一之爬取糗事百科段子
点我进入原文
另外, 中间遇到两个问题:
1. ascii codec can't decode byte 0xe8 in position 0:ordinal not in range(128)
解决方法:
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
原因是, python 2.xx 默认的 string 是ascii 类型编码, 而网页上一般都是unicode 因而出现问题
2. Python 在 Eclipse报错 Undefined variable from import: setdefaultencoding
经过查阅资料发现, 这只是pydev 的一个bug 而已, 不影响程序运行
这是我们的参考博文写出来的代码,亲测可用
运行效果图:
#coding:utf-8
'''
Created on 2016-5-2
说明: 参考 博文 http://cuiqingcai.com/990.html 实现糗百段子抓取
@author: ThinkPad User
'''import urllib
import urllib2
import reclass QBSpider():'''classdocs''' def __init__(self):'''Constructor'''self.pageIndex = 1 self.user_agent = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2438.3 Safari/537.36" self.headers = {"User-Agent" : self.user_agent}self.stories = []self.enable = True'''获取网页源代码'''def getHtml(self, pageIndex):import sysreload(sys)sys.setdefaultencoding('utf-8')try:self.url = "http://www.qiushibaike.com/hot/page/" + str(pageIndex) request = urllib2.Request(self.url, headers = self.headers)response = urllib2.urlopen(request)return response.read().encode('utf-8')except urllib2.URLError, e:if hasattr(e, "code"):print e.codeif hasattr(e, "reason"):print e.reason# 加载每页的段子, 存储在 pageStories 中def getDuanZi(self, pageIndex):content = self.getHtml(pageIndex)if not content:print "加载异常"return NonepageStories = []string = r'<div.*?"author.*?</span>.*?<h2>(.*?)</h2>.*?"content">(.*?)</div>(.*?)<div class="stats.*?"number">(.*?)</i>'pattern = re.compile(string, re.S)res = re.findall(pattern, content)for item in res:haveimg = re.search("img", item[2])if not haveimg:replaceBR = re.compile('<br.*?>', re.S)text = re.sub(replaceBR, "\n", item[1])pageStories.append([item[0].strip(), text.strip(), item[3].strip()])return pageStories# 自动获取后面1页的段子信息, 保证现有段子数 >= 2def loadPage(self):if len(self.stories) < 2:pageStories = self.getDuanZi(self.pageIndex)if pageStories:self.stories.append(pageStories)self.pageIndex += 1def getOneStory(self, pageStories, page):for story in pageStories:input = raw_input()self.loadPage()if input == "Q":self.enable = Falsereturnprint u"第%d页\t发布人:%s\t赞:%s\n%s" %(page,story[0],story[2],story[1])def start(self):print u"正在读取糗百信息, 按回车查看新段子, Q退出"self.enable = Trueself.loadPage()nowpage = 0while self.enable:if (len(self.stories) > 0):pageStories = self.stories[0]nowpage += 1del self.stories[0]self.getOneStory(pageStories, nowpage)if "__main__" == __name__:qb = QBSpider()qb.start()
需要注意的是, 距离作者的原文发布的时间有一段距离了, 糗百的html 代码发生部分变化, 因而 正则表达式模块需要自己重新根据实际情况进行编写~~
Python爬虫实战一之爬取糗事百科段子
大家好,前面入门已经说了那么多基础知识了,下面我们做几个实战项目来挑战一下吧。那么这次为大家带来,Python爬取糗事百科的小段子的例子。
首先,糗事百科大家都听说过吧?糗友们发的搞笑的段子一抓一大把,这次我们尝试一下用爬虫把他们抓取下来。
友情提示
糗事百科在前一段时间进行了改版,导致之前的代码没法用了,会导致无法输出和CPU占用过高的情况,是因为正则表达式没有匹配到的缘故。
现在,博主已经对程序进行了重新修改,代码亲测可用,包括截图和说明,之前一直在忙所以没有及时更新,望大家海涵!
更新时间:2015/8/2
糗事百科又又又又改版了,博主已经没心再去一次次匹配它了,如果大家遇到长时间运行不出结果也不报错的情况,请大家参考最新的评论,热心小伙伴提供的正则来修改下吧~
更新时间:2016/3/27
本篇目标
1.抓取糗事百科热门段子
2.过滤带有图片的段子
3.实现每按一次回车显示一个段子的发布时间,发布人,段子内容,点赞数。
糗事百科是不需要登录的,所以也没必要用到Cookie,另外糗事百科有的段子是附图的,我们把图抓下来图片不便于显示,那么我们就尝试过滤掉有图的段子吧。
好,现在我们尝试抓取一下糗事百科的热门段子吧,每按下一次回车我们显示一个段子。
1.确定URL并抓取页面代码
首先我们确定好页面的URL是 http://www.qiushibaike.com/hot/page/1,其中最后一个数字1代表页数,我们可以传入不同的值来获得某一页的段子内容。
我们初步构建如下的代码来打印页面代码内容试试看,先构造最基本的页面抓取方式,看看会不会成功
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# -*- coding:utf-8 -*-
import urllib
import urllib2
page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
try:
request = urllib2.Request(url)
response = urllib2.urlopen(request)
print response.read()
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
|
运行程序,哦不,它竟然报错了,真是时运不济,命途多舛啊
1
2
3
|
line373,in_read_status
raiseBadStatusLine(line)
httplib.BadStatusLine:''
|
好吧,应该是headers验证的问题,我们加上一个headers验证试试看吧,将代码修改如下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
# -*- coding:utf-8 -*-
import urllib
import urllib2
page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
try:
request = urllib2.Request(url,headers = headers)
response = urllib2.urlopen(request)
print response.read()
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
|
嘿嘿,这次运行终于正常了,打印出了第一页的HTML代码,大家可以运行下代码试试看。在这里运行结果太长就不贴了。
2.提取某一页的所有段子
好,获取了HTML代码之后,我们开始分析怎样获取某一页的所有段子。
首先我们审查元素看一下,按浏览器的F12,截图如下
我们可以看到,每一个段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的内容。
现在我们想获取发布人,发布日期,段子内容,以及点赞的个数。不过另外注意的是,段子有些是带图片的,如果我们想在控制台显示图片是不现实的,所以我们直接把带有图片的段子给它剔除掉,只保存仅含文本的段子。
所以我们加入如下正则表达式来匹配一下,用到的方法是 re.findall 是找寻所有匹配的内容。方法的用法详情可以看前面说的正则表达式的介绍。
好,我们的正则表达式匹配语句书写如下,在原来的基础上追加如下代码
1
2
3
4
5
6
|
content=response.read().decode('utf-8')
pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items=re.findall(pattern,content)
foriteminitems:
printitem[0],item[1],item[2],item[3],item[4]
|
现在正则表达式在这里稍作说明
1).*? 是一个固定的搭配,.和*代表可以匹配任意无限多个字符,加上?表示使用非贪婪模式进行匹配,也就是我们会尽可能短地做匹配,以后我们还会大量用到 .*? 的搭配。
2)(.*?)代表一个分组,在这个正则表达式中我们匹配了五个分组,在后面的遍历item中,item[0]就代表第一个(.*?)所指代的内容,item[1]就代表第二个(.*?)所指代的内容,以此类推。
3)re.S 标志代表在匹配时为点任意匹配模式,点 . 也可以代表换行符。
这样我们就获取了发布人,发布时间,发布内容,附加图片以及点赞数。
在这里注意一下,我们要获取的内容如果是带有图片,直接输出出来比较繁琐,所以这里我们只获取不带图片的段子就好了。
所以,在这里我们就需要对带图片的段子进行过滤。
我们可以发现,带有图片的段子会带有类似下面的代码,而不带图片的则没有,所以,我们的正则表达式的item[3]就是获取了下面的内容,如果不带图片,item[3]获取的内容便是空。
1
2
3
4
5
6
7
|
<div class="thumb">
<a href="/article/112061287?list=hot&s=4794990" target="_blank">
<img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他们依然乐观">
</a>
</div>
|
所以我们只需要判断item[3]中是否含有img标签就可以了。
好,我们再把上述代码中的for循环改为下面的样子
1
2
3
4
|
foriteminitems:
haveImg=re.search("img",item[3])
ifnothaveImg:
printitem[0],item[1],item[2],item[4]
|
现在,整体的代码如下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
try:
request = urllib2.Request(url,headers = headers)
response = urllib2.urlopen(request)
content = response.read().decode('utf-8')
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items = re.findall(pattern,content)
for item in items:
haveImg = re.search("img",item[3])
if not haveImg:
print item[0],item[1],item[2],item[4]
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
|
运行一下看下效果
恩,带有图片的段子已经被剔除啦。是不是很开森?
3.完善交互,设计面向对象模式
好啦,现在最核心的部分我们已经完成啦,剩下的就是修一下边边角角的东西,我们想达到的目的是:
按下回车,读取一个段子,显示出段子的发布人,发布日期,内容以及点赞个数。
另外我们需要设计面向对象模式,引入类和方法,将代码做一下优化和封装,最后,我们的代码如下所示
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
|
__author__='CQC'
# -*- coding:utf-8 -*-
importurllib
importurllib2
importre
importthread
importtime
#糗事百科爬虫类
classQSBK:
#初始化方法,定义一些变量
def__init__(self):
self.pageIndex=1
self.user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
#初始化headers
self.headers={'User-Agent':self.user_agent}
#存放段子的变量,每一个元素是每一页的段子们
self.stories=[]
#存放程序是否继续运行的变量
self.enable=False
#传入某一页的索引获得页面代码
defgetPage(self,pageIndex):
try:
url='http://www.qiushibaike.com/hot/page/'+str(pageIndex)
#构建请求的request
request=urllib2.Request(url,headers=self.headers)
#利用urlopen获取页面代码
response=urllib2.urlopen(request)
#将页面转化为UTF-8编码
pageCode=response.read().decode('utf-8')
returnpageCode
excepturllib2.URLError,e:
ifhasattr(e,"reason"):
printu"连接糗事百科失败,错误原因",e.reason
returnNone
#传入某一页代码,返回本页不带图片的段子列表
defgetPageItems(self,pageIndex):
pageCode=self.getPage(pageIndex)
ifnotpageCode:
print"页面加载失败...."
returnNone
pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items=re.findall(pattern,pageCode)
#用来存储每页的段子们
pageStories=[]
#遍历正则表达式匹配的信息
foriteminitems:
#是否含有图片
haveImg=re.search("img",item[3])
#如果不含有图片,把它加入list中
ifnothaveImg:
replaceBR=re.compile('<br/>')
text=re.sub(replaceBR,"\n",item[1])
#item[0]是一个段子的发布者,item[1]是内容,item[2]是发布时间,item[4]是点赞数
pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])
returnpageStories
#加载并提取页面的内容,加入到列表中
defloadPage(self):
#如果当前未看的页数少于2页,则加载新一页
ifself.enable==True:
iflen(self.stories)<2:
#获取新一页
pageStories=self.getPageItems(self.pageIndex)
#将该页的段子存放到全局list中
ifpageStories:
self.stories.append(pageStories)
#获取完之后页码索引加一,表示下次读取下一页
self.pageIndex+=1
#调用该方法,每次敲回车打印输出一个段子
defgetOneStory(self,pageStories,page):
#遍历一页的段子
forstoryinpageStories:
#等待用户输入
input=raw_input()
#每当输入回车一次,判断一下是否要加载新页面
self.loadPage()
#如果输入Q则程序结束
ifinput=="Q":
self.enable=False
return
printu"第%d页\t发布人:%s\t发布时间:%s\t赞:%s\n%s"%(page,story[0],story[2],story[3],story[1])
#开始方法
defstart(self):
printu"正在读取糗事百科,按回车查看新段子,Q退出"
#使变量为True,程序可以正常运行
self.enable=True
#先加载一页内容
self.loadPage()
#局部变量,控制当前读到了第几页
nowPage=0
whileself.enable:
iflen(self.stories)>0:
#从全局list中获取一页的段子
pageStories=self.stories[0]
#当前读到的页数加一
nowPage+=1
#将全局list中第一个元素删除,因为已经取出
delself.stories[0]
#输出该页的段子
self.getOneStory(pageStories,nowPage)
spider=QSBK()
spider.start()
|
好啦,大家来测试一下吧,点一下回车会输出一个段子,包括发布人,发布时间,段子内容以及点赞数,是不是感觉爽爆了!
我们第一个爬虫实战项目介绍到这里,欢迎大家继续关注,小伙伴们加油!
转载请注明:静觅 » Python爬虫实战一之爬取糗事百科段子
Python爬虫实战一之爬取糗事百科段子相关推荐
- 转 Python爬虫实战一之爬取糗事百科段子
静觅 » Python爬虫实战一之爬取糗事百科段子 首先,糗事百科大家都听说过吧?糗友们发的搞笑的段子一抓一大把,这次我们尝试一下用爬虫把他们抓取下来. 友情提示 糗事百科在前一段时间进行了改版,导致 ...
- 爬虫实战1:爬取糗事百科段子
本文主要展示利用python3.7+urllib实现一个简单无需登录爬取糗事百科段子实例. 如何获取网页源代码 对网页源码进行正则分析,爬取段子 对爬取数据进行再次替换&删除处理易于阅读 0. ...
- python爬虫经典段子_Python爬虫实战一之爬取糗事百科段子
大家好,前面入门已经说了那么多基础知识了,下面我们做几个实战项目来挑战一下吧.那么这次为大家带来,Python爬取糗事百科的小段子的例子. 首先,糗事百科大家都听说过吧?糗友们发的搞笑的段子一抓一大把 ...
- pythonscrapy爬虫 崔庆才_Python爬虫实战一之爬取糗事百科段子
大家好,前面入门已经说了那么多基础知识了,下面我们做几个实战项目来挑战一下吧.那么这次为大家带来,Python爬取糗事百科的小段子的例子. 首先,糗事百科大家都听说过吧?糗友们发的搞笑的段子一抓一大把 ...
- Python3写爬虫(五)爬取糗事百科段子
2019独角兽企业重金招聘Python工程师标准>>> 最近几天开始用Python3改写网上用Python2写的案例,发现完全可以用Python3来重构Python2的源码.本篇文章 ...
- 14. python爬虫——基于scrapy框架爬取糗事百科上的段子内容
python爬虫--基于scrapy框架爬取糗事百科上的段子内容 1.需求 2.分析及实现 3.实现效果 4.进行持久化存储 (1)基于终端指令 (2)基于管道 [前置知识]python爬虫--scr ...
- python爬虫之XPATH(爬取糗事百科、扇贝单词、网易云)
1.XML简介 或许有人会说,我正则用的不好,处理 HTML 文档很累,有没有其他的方法?有!那就是XPath,我们可以: (1)先将 HTML 文件 转换成 XML 文档, (2)然后用 XPath ...
- Python爬虫实战之爬取糗事百科段子
Python爬虫实战之爬取糗事百科段子 完整代码地址:Python爬虫实战之爬取糗事百科段子 程序代码详解: Spider1-qiushibaike.py:爬取糗事百科的8小时最新页的段子.包含的信息 ...
- 网络爬虫---爬取糗事百科段子实战
Python网络爬虫 1.知识要求 掌握python基础语法 熟悉urllib模块知识 熟悉get方法 会使用浏览器伪装技术 如果您对相关知识遗忘了,可以点上面的相关知识链接,熟悉一下. 2.爬取糗事 ...
最新文章
- brew 安装PHP的配置文件所在位置
- Response.Write详细介绍
- WARN RestSubmissionClient: Unable to connect to server spark://master:
- python查询oracle数据库_python针对Oracle常见查询操作实例分析
- AJAX入门——工作原理
- 跟angular2学一键开启项目--关于上个react-redux项目的一键调试
- MySQL 错误 1366:1366 Incorrect integer value
- 程序员达到高效率的一种境界
- Coding the Matrix Week 0 作业
- java拼图游戏Mian_Java拼图游戏源码 MainApp启动器
main(): 
创建主界面类对 联合开发网 - pudn.com...
- 自学软件测试!自学到什么程度可以出去找工作...拿到阿里offer才知道这就够用了...
- Mac - 让NSView快捷的实现阴影效果
- 每日一道剑指offer-替换空格
- java编程比赛_[阶段一]java基础编程比赛
- 微信小程序——拼图游戏案例
- 小程序 40163_小程序获取openid 出现null,{errcode:40163,errmsg:code been used, hints: [ req_id: WNUzlA0105t...
- 记录由于未关闭加速器就关机而导致的再次启动后DNS配置错误
- 论文---overcoming catastrophic forgetting in neural networks
- 镭速传输 Linux离线激活教程
- python与金融量化_day33 Python与金融量化分析(三)