投稿    登录
  您好,欢迎光临崔庆才的博客,祝大家新年快乐,鸡年大吉!

Python爬虫实战一之爬取糗事百科段子

Python 崔庆才 228378浏览 492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 (889)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. #coding=utf-8###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import urllibimport urllib2import reurl = ‘http://www.qiushibaike.com/hot/page/1‘user_agent = ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11’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(‘.?(.?).?.?(.?).?(.*?)’,re.S) items = re.findall(pattern,content) for item in items: print item[0],item ,item except urllib2.URLError,e: if hasattr(e,”code”): print e.code if hasattr(e,”reason”): print e.reason出来的结果都是空白。。求大神指导

  2. #coding:utf8import urllib2import reimport sysreload(sys)sys.setdefaultencoding( “utf-8” )#url=’http://www.qiushibaike.com/hot/‘urls=[“http://www.qiushibaike.com/hot/page/2/“,”http://www.qiushibaike.com/hot/page/3/“,”http://www.qiushibaike.com/hot/page/3/“]def gethtml(url): req=urllib2.Request(url) req.add_header(‘User-Agent’,’Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36′) page=urllib2.urlopen(req) html=page.read().decode(‘utf-8’) return htmldef getdoc(info): pattern1 = re.compile(‘(.?)’,re.S) pattern2 = re.compile(‘(.?)’,re.S) title_ = re.findall(pattern1,info) body_ = re.findall(pattern2,info) x=0 for i in title_: f = open(‘l.txt’, ‘a’) str1=”用户:”+str(title_ )+’n’+”段子:”+str(body_ )+’nn’ f.write(str1) f.close() # print title_ # print body_ +’n’ x+=1# return itemsxx=0for ii in urls: url=str(urls[xx]) gethtml(url) info=gethtml(url) getdoc(info)

  3. #以下代码实现过滤带图片的笑话,并把带图片的下载下来,在2.7版本测试通过,感谢博主分享!#encoding=”utf-8″import urllibimport urllib2import reurl=”http://www.qiushibaike.com/hot/page/1“user_agent=”Mozilla/5.0 (Windows NT 5.1; rv:52.0) Gecko/20100101 Firefox/52.0″header={‘User-Agent’:user_agent} #headers验证,否则报BadStatusLine: ”错误try: request=urllib2.Request(url,headers=header)#请求网址 response=urllib2.urlopen(request)#用于打开一个URL地址 content=response.read().decode(‘utf-8’)#读取URL上的数据并转码 #print content #这个是对的,但是没匹配完全,只匹配名称,内容,好笑数量三个 #potten = re.compile(‘.?href.?(.?).?(.?).?(.?)‘,re.S) #这个完全忽略了图片那块的代码 #potten = re.compile(‘(.?).?(.?).?(.?)?/a>(.?)(.?)(.?).?(.?).?(.?)(.?)’,re.S) potten = re.compile(‘(.?).?(.?)

  4. #以下代码实现了过滤不显示带图片的笑话,并把图片下载下来,2.7版本测试通过,感谢博主分享!#http://www.qiushibaike.com/hot/page/1#encoding=”utf-8″import urllibimport urllib2import reurl=”http://www.qiushibaike.com/hot/page/1“user_agent=”Mozilla/5.0 (Windows NT 5.1; rv:52.0) Gecko/20100101 Firefox/52.0″header={‘User-Agent’:user_agent} #headers验证,否则报BadStatusLine: ”错误try: request=urllib2.Request(url,headers=header)#请求网址 response=urllib2.urlopen(request)#用于打开一个URL地址 content=response.read().decode(‘utf-8’)#读取URL上的数据并转码 #print content #这个是对的,但是没匹配完全,只匹配名称,内容,好笑数量三个 #potten = re.compile(‘.?href.?(.?).?(.?).?(.?)‘,re.S) #这个完全忽略了图片那块的代码 #potten = re.compile(‘(.?).?(.?).?(.?)?/a>(.?)(.?)(.?).?(.?).?(.?)(.?)’,re.S) potten = re.compile(‘(.?).?(.?)

  5. #encoding=”utf-8″import urllibimport urllib2import reurl=”http://www.qiushibaike.com/hot/page/1“user_agent=”Mozilla/5.0 (Windows NT 5.1; rv:52.0) Gecko/20100101 Firefox/52.0″header={‘User-Agent’:user_agent} #headers验证,否则报BadStatusLine: ”错误try: request=urllib2.Request(url,headers=header)#请求网址 response=urllib2.urlopen(request)#用于打开一个URL地址 content=response.read().decode(‘utf-8’)#读取URL上的数据并转码 #print content #这个是对的,但是没匹配完全,只匹配名称,内容,好笑数量三个 #potten = re.compile(‘.?href.?(.?).?(.?).?(.?)‘,re.S) #这个完全忽略了图片那块的代码 #potten = re.compile(‘(.?).?(.?).?(.?)?/a>(.?)(.?)(.?).?(.?).?(.?)(.?)’,re.S) potten = re.compile(‘(.?).?(.?)

  6. #这个实现了去除包含图片的笑话,并把图片下载下来用用户名当做图片名称,2.7版本,初级新手,多谢博主分享!#encoding=”utf-8″import urllibimport urllib2import reurl=”http://www.qiushibaike.com/hot/page/1“user_agent=”Mozilla/5.0 (Windows NT 5.1; rv:52.0) Gecko/20100101 Firefox/52.0″header={‘User-Agent’:user_agent} #headers验证,否则报BadStatusLine: ”错误try: request=urllib2.Request(url,headers=header)#请求网址 response=urllib2.urlopen(request)#用于打开一个URL地址 content=response.read().decode(‘utf-8’)#读取URL上的数据并转码 #print content #这个是对的,但是没匹配完全,只匹配名称,内容,好笑数量三个 #potten = re.compile(‘.?href.?(.?).?(.?).?(.?)‘,re.S) #这个完全忽略了图片那块的代码 #potten = re.compile(‘(.?).?(.?).?(.?)?/a>(.?)(.?)(.?).?(.?).?(.?)(.?)’,re.S) potten = re.compile(‘(.?).?(.?)