Skip to content Skip to main navigation Skip to footer

Python: 【Python爬虫实战】爬取糗事百科段子

来自: 静觅丨崔庆才的个人博客

链接:http://cuiqingcai.com/990.html

声明:本文仅限技术交流讨论

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

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

# -*- 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

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 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

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(‘.*?.*?(.*?).*?

‘=>”content”.*?title=>”(.*?)”>(.*?)

(.*?)

“stats.*?class=”number>”>(.*?)‘,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…

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 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(‘.*?.*?(.*?).*?

‘=>”content”.*?title=>”(.*?)”>(.*?)

(.*?)

“stats.*?class=”number>”>(.*?)‘,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

__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 = 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(‘.*?.*?(.*?).*?

‘=>”content”.*?title=>”(.*?)”>(.*?)

(.*?)

“stats.*?class=”number>”>(.*?)‘,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 = False

return

print 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 = 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,欢迎大家继续关注,小伙伴们加油!

来自: 静觅丨崔庆才的个人博客

链接:http://cuiqingcai.com/990.html

荐号:IT创业网

互联网创业的时代,创业更具人文气息。聚最经典的IT创业技巧,最顶尖的商界精英交流平台。

微信号: chuangyetech

↑↑↑长摁二维码试试

●本文编号856,以后想阅读这篇文章直接输入856即可。

●本文分类“ 搜索引擎技术 ”,搜索分类名可以获得相关文章。

●输入m可以获取到全部文章目录

●输入r可以获取到热门文章推荐

●输入f可以获取到全部分类名称

原文:http://mp.weixin.qq.com/s?__biz=MjM5NzA1MTcyMA==&mid=206571806&idx=5&sn=59a2ddfac1da6804345538c16d01c661&3rd=MzA3MDU4NTYzMw==&scene=6#rd

0 Comments

There are no comments yet

Leave a comment

Your email address will not be published.