玩转python爬虫之爬取糗事百科段子

玩转python爬虫之爬取糗事百科段子,第1张

概述大家好,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。

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。
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 urllibimport urllib2  page = 1url = '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

line 373,in _read_status raise BadStatusline(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

# -*- Coding:utf-8 -*-import urllibimport urllib2 page = 1url = '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,"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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+             'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div 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。

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。

<div > <a href="/article/112061287?List=hot&s=4794990" target="_blank"><img src="/uploads/201701/10/14840375342.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

for item in items:    haveimg = re.search("img",item[3])    if not haveimg:      print item[0],item[4]

现在,整体的代码如下

# -*- Coding:utf-8 -*-import urllibimport urllib2import re page = 1url = '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 number">(.*?)</i>',re.S)  items = re.findall(pattern,content)  for item in items:    haveimg = re.search("img",item[4]except urllib2.URLError,"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

# -*- Coding:utf-8 -*-import urllibimport urllib2import reimport threadimport 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 = 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  def getPage(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')      return pageCode     except urllib2.URLError,e:      if hasattr(e,"reason"):        print u"连接糗事百科失败,错误原因",e.reason        return 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 None    pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+             'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div 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:        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()])    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 = False        return      print u"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  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 = 0    while 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,是不是感觉爽爆了!

我们第一个爬虫实战项目介绍到这里,希望大家喜欢。

总结

以上是内存溢出为你收集整理的玩转python爬虫之爬取糗事百科段子全部内容,希望文章能够帮你解决玩转python爬虫之爬取糗事百科段子所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/langs/1204777.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-06-04
下一篇 2022-06-04

发表评论

登录后才能评论

评论列表(0条)

保存