python 爬虫实战1 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。
本篇目标
- 抓取糗事百科热门段子
- 过滤带有图片的段子
- 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
# -*- coding:utf-8 -*- import urllib import urllib2page = 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.codeif 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
File "C:\Python27\lib\httplib.py", line 402, in _read_statusraise BadStatusLine(line) httplib.BadStatusLine: '' [Finished in 1.1s]
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
# -*- coding:utf-8 -*- import urllib import urllib2page = 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.codeif 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
content = response.read().decode('utf-8') pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+'="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S) items = re.findall(pattern,content) for item in items:print item[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。
现在我们可以看一下部分运行结果
儒雅男神 2015-02-17 14:34:42
小时候一个一个拆着放的举个爪…
<div class=”thumb”>
<a href=”/article/100705418?list=hot&s=4747301″ target=”_blank” οnclick=”_hmt.push([‘_trackEvent’, ‘post’, ‘click’, ‘signlePost’])”>
<img src=”http://pic.qiushibaike.com/system/pictures/10070/100705418/medium/app100705418.jpg” alt=”糗事#100705418″ />
</a></div>
7093
奇怪的名字啊 2015-02-17 14:49:16回家的路,你追我赶,回家的心情和窗外的阳光一样灿烂。一路向前,离亲人越来越近了。哪里有爸妈哪里才是家,希望所有糗友的爸爸妈妈都身体健康…….
4803
这是其中的两个段子,分别打印了发布人,发布时间,发布内容,附加图片以及点赞数。
其中,附加图片的内容我把图片代码整体抠了出来,这个对应item[3],所以我们只需要进一步判断item[3]里面是否含有img这个字样就可以进行过滤了。
好,我们再把上述代码中的for循环改为下面的样子
for item in items:haveImg = re.search("img",item[3])if not haveImg:print item[0],item[1],item[2],item[4]
现在,整体的代码如下
# -*- coding:utf-8 -*- import urllib import urllib2 import repage = 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.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+'="content".*?title="(.*?)">(.*?)</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.codeif 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
__author__ = 'CQC' # -*- coding:utf-8 -*- import urllib import urllib2 import re import thread import time#糗事百科爬虫类 class QSBK:#初始化方法,定义一些变量def __init__(self):self.pageIndex = 1self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'#初始化headersself.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def getPage(self,pageIndex):try:url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)#构建请求的requestrequest = 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')return pageCodeexcept urllib2.URLError, e:if hasattr(e,"reason"):print u"连接糗事百科失败,错误原因",e.reasonreturn None#传入某一页代码,返回本页不带图片的段子列表def getPageItems(self,pageIndex):pageCode = self.getPage(pageIndex)if not pageCode:print "页面加载失败...."return Nonepattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+'="content".*?title="(.*?)">(.*?)</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for item in items:#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if not haveImg:#item[0]是一个段子的发布者,item[1]是发布时间,item[2]是内容,item[4]是点赞数pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[4].strip()])return pageStories#加载并提取页面的内容,加入到列表中def loadPage(self):#如果当前未看的页数少于2页,则加载新一页if self.enable == True:if len(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if pageStories: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def getOneStory(self,pageStories,page):#遍历一页的段子for story in pageStories:#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if input == "Q":self.enable = Falsereturnprint u"第%d页\t发布人:%s\t发布时间:%s\n%s\n赞:%s\n" %(page,story[0],story[1],story[2],story[3])#开始方法def start(self):print u"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 = 0while self.enable:if len(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del self.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
转载于:https://www.cnblogs.com/alamZ/p/7059969.html
python 爬虫实战1 爬取糗事百科段子相关推荐
- 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 ...
- python爬虫经典段子_Python爬虫实战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,导致之前的代码没法用了,会导致无法输出和CPU占用过高的 ...
- Python爬虫学习笔记 -- 爬取糗事百科
Python爬虫学习笔记 -- 爬取糗事百科 代码存放地址: https://github.com/xyls2011/python/tree/master/qiushibaike 爬取网址:https ...
- Python爬虫练习:爬取糗事百科
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于CSDN,作者不温卜火 爬取前的准备 糗事百科官网:https:// ...
- python爬虫——利用BeautifulSoup4爬取糗事百科的段子
1 import requests 2 from bs4 import BeautifulSoup as bs 3 4 #获取单个页面的源代码网页 5 def gethtml(pagenum): 6 ...
- 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 ...
- 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 ...
- 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. ...
- 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
- 利用java反射机制 读取配置文件 实现动态类载入以及动态类型转换
- 【BZOJ】4032: [HEOI2015]最短不公共子串(LibreOJ #2123)
- 浅谈ICA算法的概念、本质和流程
- Hadoop单机环境配置
- python os system_python中os. popen system的区别
- c#二维数据最大最小值_C#| 打印类型,各种数据类型的最大值和最小值
- Spring Boot(二):Web 综合开发
- SAP License:SAP电话面试
- 2012禁用ip隧道 win_IMCP协议的魅力——IMCP隧道
- OpenDaylight你不可不知的十大问题——OpenDaylight是什么?
- 【3D相册】零基础完成3D相册并配上背景音乐
- 关于mysql的题目_关于MySQL的经典例题50道 答案参考
- 自学HTTP RCF体会
- tkinter窗口美化功能介绍 第一章 内部美化功能
- 2019年安徽省大学生网络攻防赛赛前培训——Day1
- maven工程私服仓库配置(阿里云仓库)
- switch服务器帐户注销,堡垒之夜NS版Guest账号怎么更换_Guest账号退出更换方法介绍...
- Springboot快速开发-书本信息管理系统(项目源码)
- 电脑开机无反应 不显示BIOS 硬件没问题
- 在maya外面,通过命令行向maya发送信息