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 207453浏览 466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 (801)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. 最后代码实现的时候,并不是敲一下回车出来一个段子,而是出现了一整个页面的段子,排查了好久也没有找出什么原因。不知道是不是getOneStory出的问题,

  2. 小白提问:这是什么问题呢,请大侠指点一下D:python workspace>python qiubai.pyTraceback (most recent call last): File “qiubai.py”, line 11, in response=urllib2.urlopen(request) File “D:Python27liburllib2.py”, line 154, in urlopen return opener.open(url, data, timeout) File “D:Python27liburllib2.py”, line 431, in open response = self._open(req, data) File “D:Python27liburllib2.py”, line 449, in _open ‘_open’, req) File “D:Python27liburllib2.py”, line 409, in _call_chain result = func(*args) File “D:Python27liburllib2.py”, line 1227, in http_open return self.do_open(httplib.HTTPConnection, req) File “D:Python27liburllib2.py”, line 1200, in do_open r = h.getresponse(buffering=True) File “D:Python27libhttplib.py”, line 1132, in getresponse response.begin() File “D:Python27libhttplib.py”, line 453, in begin version, status, reason = self._read_status() File “D:Python27libhttplib.py”, line 417, in _read_status raise BadStatusLine(line)

  3. __author__= ‘CQC’# -*-coding:utf-8 -*-import urllibimport urllib2import reimport threadimport timeclass QBSK: def __init__(self): self.pageindex = 1 self.user_agent = ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’ 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 self.stories = [] #存放程序是否继续运行的变量 self.enable =False def getPage(self,pageindex): try: url = ‘http://www.qiushibaike.com/hot/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: if hasattr(e,”reason”): print u”连接糗事百科失败”,e.reason return None def getPageItems(self, pageindex): pagecode = self.getPage(pageindex) if not pagecode: print “页面加载失败” return None pattern = re.compile(‘.*?(.*?).*?”content”>(.*?).*?number”>(.*?)*?number”>(.*?)*?.*?”main-text”>(.*?)’,re.S) items = re.findall(pattern, pagecode) pagestories = [] for item in items: replacebr = re.compile(”) text=re.sub(replacebr, “n”, item ) replacespan = re.compile(‘‘) text=re.sub(replacespan, “n”, text) replacespan2 = re.compile(‘‘) text=re.sub(replacespan2, “n”, text) 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() if input == “Q”: self.enable = False return else: self.loadPage() print u”第%s页t发布人:%st内容%st赞数:%s” % (page,story[0],story ,story ) def start(self): print u”在读取糗事百科,按回车读取下一条,按Q退出” self.enable = True self.loadPage() nowpage = 0 while self.enable: if len(self.stories)>0: pagestories1 = self.stories[0] nowpage+=1 del self.stories[0] self.getOneStory(pagestories1,nowpage)spider = QBSK()spider.start()经测试可用,大家可以参考一下了

  4. pattern = re.compile(r’.*?(.*?).*?.*?’ r’(.*?).*?.*?(.*?)’, re.S)这是我今天刚写的正则匹配,我只取了名字,内容和点赞数三个分组,测试没问题。有需要的可以复制去看看,谢谢。

  5. 请问:如果抓取糗百上的神评论的话,有一些段子下面没有评论,用正则表达式就会导致抓取下一条段子的评论。 请问如何解决?如:抓取【小时候和一个小伙伴玩鞭炮,他手里拿着鞭炮我拿火柴去点……点着了,他忘了扔掉我忘了跑,大过年的他手里缠着绷带,我罩着眼】和【刚几个哥们聊天,聊聊小时候因为什么事被揍得最惨!一哥们说,乒乓球拍买不起,把家里祖宗的灵牌背学校去了,据他说当天他横扫学校无敌手!晚上回去被他爷爷他爸揍得差点就见祖宗那里当面赔礼道歉了.………】+神评论【祖宗也是为了自保,帮他赢了。不然大输的话牌位非给这熊孩子摔了。】结果为:【小时候和一个小伙伴玩鞭炮,他手里拿着鞭炮我拿火柴去点……点着了,他忘了扔掉我忘了跑,大过年的他手里缠着绷带,我罩着眼。 2172 陕JB25CM :祖宗也是为了自保,帮他赢了。不然大输的话牌位非给这熊孩子摔了。】

  6. 你好,我想请教一下,我也遇到了文章当中没有加header的问题的出现,’Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6′

    • 刚才没有发好,现在补充一下,我也加了headers,但是还是没有用,还是会报错:httplib.BadStatusLine: ”所以想请教一下,网上也找了一下,也是说headers来伪装成浏览器。但是加了还是没有用,所以有些不明白来请教一下

  7. def qiushibaike_test(): import urllib2 import re page = 2 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_author = re.compile(‘(.*?)’,re.S) pattern_content = re.compile(‘(.*?)’,re.S) pattern_comment = re.compile(‘(d*)‘,re.S) find_author = re.findall(pattern_author,content) find_content = re.findall(pattern_content,content) find_comment = re.findall(pattern_comment,content) if find_author: for i in xrange(len(find_author)): content= find_content .replace(“”,”,”) result = find_author +find_content +find_comment print result except urllib2.URLError, e: if hasattr(e,”code”): print e.code if hasattr(e.reason): print e.reasonqiushibaike_test()经过摸索,发现这个正则是能匹配得上的,就贴上来了

  8. import urllib2import repage = 1url = ‘http://www.qiushibaike.com/hot/‘ + 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() content = response.read().decode(‘utf-8’) pattern = re.compile(‘.*?href.*?(.*?).*?(.*?).*?(.*?)‘,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哪位大神给看看,哪出问题了,总是抓不出文本