投稿    登录
  您好,欢迎光临崔庆才的博客,最近博主在忙复习考试,可能评论和友链不能及时回应,请谅解,至17.1.12解除!

Python爬虫实战一之爬取糗事百科段子

Python 崔庆才 192853浏览 450评论

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

运行程序,哦不,它竟然报错了,真是时运不济,命途多舛啊

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

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

20150802154147

 

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

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。

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

现在,整体的代码如下

运行一下看下效果

20150802154832

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

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

喜欢 (750)or分享 (0)

您的支持是博主写作最大的动力,如果您喜欢我的文章,感觉我的文章对您有帮助,请狠狠点击下面的

  1. 楼主我我想问下写的正则为什么有部分数据不能出来啊 pattern = re.compile(‘.*?

    (.*?)

    .?(.?).?(.?).*?’,re.S)

  2. 请教一个问题噢,执行博主的抓取代码时,结果显示如下且再无任何反应:“正在读取糗事百科,按回车查看新段子,Q退出”按回车键无反应。谢谢!

  3. 照着博主的敲了一个,但是为什么一到第5页就会报503错误啊,有哪位大哥能指导一下吗?还是说是有什么反爬虫机制的原因??感激不尽# –– coding:UTF-8 –-import urllibimport urllib2import ren = raw_input(‘请输入想下载几页n>>>’)for i in range(1,int(n)+1): url = ‘http://www.qiushibaike.com/hot/page/‘ + str(i) user_agent = ‘Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:50.0) Gecko/20100101 Firefox/50.0’ 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”>.?(.?).?.?number”>(.?)?number”>(.?)’, re.S) items = re.findall(pattern, content) for item in items: replacebr = re.compile(”) xiaohua = re.sub(replacebr, ‘,’, item ) savefile = open(‘D:\Documents\GitHub\pachong\qiushibaike\%s.txt’ % i, ‘a’) savefile.write(xiaohua.encode(‘UTF-8’) + ‘nn’) savefile.close() print ‘第%s页下载成功。。。’ % i # print response.read() except urllib2.URLError, e: if hasattr(e, ‘code’): print e.code if hasattr(e, ‘reason’): print e.reason

  4. 我用的python2.7报错:AttributeError: QSBK instance has no attribute ‘start’报错的位置是最后一行,也就是spider.start()应该要怎么处理才能正常运行新手,求指导

  5. coding:utf-8import reimport urllib2page = 1url = ‘http://www.qiushibaike.com/hot/page/‘ + str(page)user_agent = ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/’ ‘55.0.2883.75 Safari/537.36’header = {‘User-Agent’: user_agent}try: request = urllib2.Request(url, headers=header) response = urllib2.urlopen(request) content = response.read().decode(‘utf-8’) pattern = re.compile(‘(.?)?content”>.?>(.?)(.?)number”>(.?)’, re.S) items = re.findall(pattern, content) for item in items: haveImg = re.search(‘img’, item ) if not haveImg: print item[0], item , item except urllib2.URLError as e: if hasattr(e, ‘code’): print e.code elif hasattr(e, ‘reason’): print e.reason先谢谢楼主的教程。这是我对照新版本糗百改进的正则,亲测可行

  6. 爬是爬到了,但是刷了12页下来除了一两条段子不一样外,其他基本都是一样的。12页全部都是第一页的段子。。。

  7. IOError:[Errno 2] No such file or directory无解啊 Google 百度了半天,怎么也找不到解决办法,求博主搭救…. ,line 80,in …. ,line 68,in startprint u”正在读取糗事百科,按回车查看新段子,Q退出”IOError:[Errno 2] No such file or directory

  8. 每次读取几页之后就显示unicodeEncodeError:‘gbk’code can’t encode character u’ue416’或‘、u0285’,是什么问题导致可以运行读取几页后再报错?# –– coding: utf-8 –-import urllibimport urllib2import reimport threadimport timeclass QSBK(object): def init(self): self.pageIndex = 3 self.user_agent = ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36’ self.headers = {“User-Agent”: self.user_agent } self.stories = [] self.enable =False def getPage(self,pageIndex): try: url = ‘http://www.qiushibaike.com/8hr/page/‘ + str(pageIndex) request = urllib2.Request(url,headers = self.headers) response = urllib2.urlopen(request) pageCode = response.read().decode(‘utf-8’) return pageCode except urllib2.URLError,e: print u”连接糗事百科失败,请检查网络或联系主人” if hasattr(e,”code”): print e.code if hasattr(e,”reason”): print e.reason return None def getPageItems(self,pageIndex): pageCode = self.getPage(pageIndex) if not pageCode: print u”加载失败” return None pattern = re.compile(‘(.?).?(.*?)‘,re.S) items = re.findall(pattern,pageCode) pageStories = [] for item in items: replaceBR = re.compile(”) text = re.sub(replaceBR,”n”,item ) pageStories.append([item[0].strip(),text.strip(),item .strip()]) return pageStories def LoadPage(self): if self.enable == True: if len(self.stories) < 2: pageStories = self.getPageItems(self.pageIndex) if pageStories: self.stories.append(pageStories) self.pageIndex += 1 def getOneStory(self,pageStories,page): for story in pageStories: input = raw_input() self.LoadPage() if input == “q”: self.enable = False return print u”page:%stauthor:%stfun:%sn%s” %(page,story[0],story ,story ) def start(self): print u”正在读取糗事百科,按q退出” self.enable = True self.LoadPage() nowPage = 0 while self.enable: if len(self.stories)>0: pageStories = self.stories[0] nowPage = nowPage + 1 del self.stories[0] self.getOneStory(pageStories,nowPage)spider = QSBK()spider.start()

  9. 我自己改了一点点,也标注详细了一点:# –– coding:utf-8 –-import urllibimport urllib2import reimport thread #import time 新版网页没发现有发布时间,所以丢弃这个模块,代码中也取消抓取发布时间分组# 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/5.0 (Windows NT 6.1; Win64; x64)’ #改为自己的浏览器的user-agent # 初始化headers self.headers = {‘User-Agent’: self.user_agent} #User-Agent写法应该是匹配HTML的headers内容名称 # 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)#这里如果不使用headers=self.headers会报格式错误,传入的headers应该需要是字符串格式或处于缓冲区(buffer),而headers本身是字典格式 # 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’)#用utf-8格式解码 return pageCode except urllib2.URLError, e: if hasattr(e, “reason”):#以免错误代码属性错误,使用hasattr 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(‘.?(.?)??.?(.?)??(.?)(.?)’,re.S)#只抓取发布人,内容,发布图片,点赞数 items = re.findall(pattern, pageCode)#匹配pattern的内容赋值到items中,items为组 # 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 ) # 如果不含有图片,把它加入list中 if not haveImg: replaceBR = re.compile(”) text = re.sub(replaceBR, “n”, item ) # item[0]是一个段子的发布者,item 是内容,item 是发布时间,item 是点赞数 pageStories.append([item[0].strip(), text.strip(), item .strip()])#strip()默认状态删除字符串中的空白符 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:%st赞:%sn%s” % (page, story[0], story , story )#u应该是utf-8格式的意思,类似r“”的用法 # 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()

  10. 为什么这里引入了thread但是没有使用到的?而且其实按回车查看段子,应该也算是一次抓取一个内容,但是我运行起来很慢,要几分钟才出来一个段子,为什么性能这么低?