【Python爬蟲實戰】爬取糗事百科段子
這次為大家帶來,Python爬取糗事百科的小段子的例子。
首先,糗事百科大家都聽說過吧?糗友們發的搞笑的段子一抓一大把,這次我們嘗試一下用爬蟲把他們抓取下來。
本篇目標
1.抓取糗事百科熱門段子
2.過濾帶有圖片的段子
3.實現每按一次回車顯示一個段子的發布時間,發布人,段子內容,點贊數。
糗事百科是不需要登錄的,所以也沒必要用到Cookie,另外糗事百科有的段子是附圖的,我們把圖抓下來圖片不便於顯示,那麼我們就嘗試過濾掉有圖的段子吧。
好,現在我們嘗試抓取一下糗事百科的熱門段子吧,每按下一次回車我們顯示一個段子。
1
.
確定URL並抓取頁面代碼首先我們確定好頁面的URL是 http://www.qiushibaike.com/hot/page/1,其中最後一個數字1代表頁數,我們可以傳入不同的值來獲得某一頁的段子內容。
我們初步構建如下的代碼來列印頁面代碼內容試試看,先構造最基本的頁面抓取方式,看看會不會成功
# -*- 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
運行程序,哦不,它竟然報錯了,真是時運不濟,命途多舛啊
line 373, in _read_status
raise BadStatusLine(line)
httplib.BadStatusLine: ""
好吧,應該是headers驗證的問題,我們加上一個headers驗證試試看吧,將代碼修改如下
# -*- 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,這次運行終於正常了,列印出了第一頁的HTML代碼,大家可以運行下代碼試試看。在這裡運行結果太長就不貼了。
2.提取某一頁的所有段子
好,獲取了HTML代碼之後,我們開始分析怎樣獲取某一頁的所有段子。
首先我們審查元素看一下,按瀏覽器的F12,截圖如下
我們可以看到,每一個段子都是
包裹的內容。
現在我們想獲取發布人,發布日期,段子內容,以及點贊的個數。不過另外注意的是,段子有些是帶圖片的,如果我們想在控制台顯示圖片是不現實的,所以我們直接把帶有圖片的段子給它剔除掉,只保存僅含文本的段子。
所以我們加入如下正則表達式來匹配一下,用到的方法是 re.findall 是找尋所有匹配的內容。方法的用法詳情可以看前面說的正則表達式的介紹。
好,我們的正則表達式匹配語句書寫如下,在原來的基礎上追加如下代碼
content = response.read().decode("utf-8")
pattern = re.compile("
"="content".*?title="(.*?)">(.*?)
(.*?)
items = re.findall(pattern,content)
for item in items:
print item[0],item[1],item[2],item[3],item[4]
現在正則表達式在這裡稍作說明
1).*? 是一個固定的搭配,.和*代表可以匹配任意無限多個字元,加上?表示使用非貪婪模式進行匹配,也就是我們會儘可能短地做匹配,以後我們還會大量用到 .*? 的搭配。
2)(.*?)代表一個分組,在這個正則表達式中我們匹配了五個分組,在後面的遍歷item中,item[0]就代表第一個(.*?)所指代的內容,item[1]就代表第二個(.*?)所指代的內容,以此類推。
3)re.S 標誌代表在匹配時為點任意匹配模式,點 . 也可以代表換行符。
現在我們可以看一下部分運行結果
儒雅男神 2015-02-17 14:34:42
小時候一個一個拆著放的舉個爪…
7093
奇怪的名字啊 2015-02-17 14:49:16
回家的路,你追我趕,回家的心情和窗外的陽光一樣燦爛。一路向前,離親人越來越近了。哪裡有爸媽哪裡才是家,希望所有糗友的爸爸媽媽都身體健康…….
4803
這是其中的兩個段子,分別列印了發布人,發布時間,發布內容,附加圖片以及點贊數。
其中,附加圖片的內容我把圖片代碼整體摳了出來,這個對應item[3],所以我們只需要進一步判斷item[3]裡面是否含有img這個字樣就可以進行過濾了。
好,我們再把上述代碼中的for循環改為下面的樣子
for item in items:
haveImg = re.search("img",item[3])
if not haveImg:
print item[0],item[1],item[2],item[4]
現在,整體的代碼如下
# -*- 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="(.*?)">(.*?)
(.*?)
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
運行一下看下效果
恩,帶有圖片的段子已經被剔除啦。是不是很開森?
3.完善交互,設計面向對象模式
好啦,現在最核心的部分我們已經完成啦,剩下的就是修一下邊邊角角的東西,我們想達到的目的是:
按下回車,讀取一個段子,顯示出段子的發布人,發布日期,內容以及點贊個數。
另外我們需要設計面向對象模式,引入類和方法,將代碼做一下優化和封裝,最後,我們的代碼如下所示
__author__ = "CQC"
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
#糗事百科爬蟲類
class QSBK:
#初始化方法,定義一些變數
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 }
#存放段子的變數,每一個元素是每一頁的段子們
self.stories = []
#存放程序是否繼續運行的變數
self.enable = False
#傳入某一頁的索引獲得頁面代碼
def getPage(self,pageIndex):
try:
url = "http://www.qiushibaike.com/hot/page/" + str(pageIndex)
#構建請求的request
request = urllib2.Request(url,headers = self.headers)
#利用urlopen獲取頁面代碼
response = urllib2.urlopen(request)
#將頁面轉化為UTF-8編碼
pageCode = response.read().decode("utf-8")
return pageCode
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"連接糗事百科失敗,錯誤原因",e.reason
return None
#傳入某一頁代碼,返回本頁不帶圖片的段子列表
def getPageItems(self,pageIndex):
pageCode = self.getPage(pageIndex)
if not pageCode:
print "頁面載入失敗...."
return None
pattern = re.compile("
"="content".*?title="(.*?)">(.*?)
(.*?)
items = re.findall(pattern,pageCode)
#用來存儲每頁的段子們
pageStories = []
#遍歷正則表達式匹配的信息
for item in items:
#是否含有圖片
haveImg = re.search("img",item[3])
#如果不含有圖片,把它加入list中
if not haveImg:
#item[0]是一個段子的發布者,item[1]是發布時間,item[2]是內容,item[4]是點贊數
pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[4].strip()])
return pageStories
#載入並提取頁面的內容,加入到列表中
def loadPage(self):
#如果當前未看的頁數少於2頁,則載入新一頁
if self.enable == True:
if len(self.stories) < 2:
#獲取新一頁
pageStories = self.getPageItems(self.pageIndex)
#將該頁的段子存放到全局list中
if pageStories:
self.stories.append(pageStories)
#獲取完之後頁碼索引加一,表示下次讀取下一頁
self.pageIndex += 1
#調用該方法,每次敲回車列印輸出一個段子
def getOneStory(self,pageStories,page):
#遍歷一頁的段子
for story in pageStories:
#等待用戶輸入
input = raw_input()
#每當輸入回車一次,判斷一下是否要載入新頁面
self.loadPage()
#如果輸入Q則程序結束
if input == "Q":
self.enable = False
return
print u"第%d頁 發布人:%s 發布時間:%s %s 贊:%s " %(page,story[0],story[1],story[2],story[3])
#開始方法
def start(self):
print u"正在讀取糗事百科,按回車查看新段子,Q退出"
#使變數為True,程序可以正常運行
self.enable = True
#先載入一頁內容
self.loadPage()
#局部變數,控制當前讀到了第幾頁
nowPage = 0
while self.enable:
if len(self.stories)>0:
#從全局list中獲取一頁的段子
pageStories = self.stories[0]
#當前讀到的頁數加一
nowPage += 1
#將全局list中第一個元素刪除,因為已經取出
del self.stories[0]
#輸出該頁的段子
self.getOneStory(pageStories,nowPage)
spider = QSBK()
spider.start()
好啦,大家來測試一下吧,點一下回車會輸出一個段子,包括發布人,發布時間,段子內容以及點贊數,是不是感覺爽爆了!
我們第一個爬蟲實戰項目介紹到這裡,歡迎大家繼續關注,小夥伴們加油!
來自:靜覓丨崔慶才的個人博客
鏈接:http://cuiqingcai.com/990.html
程序員大咖整理髮布,轉載請聯繫作者獲得授權。
↙點擊「
閱讀原文
」,加入
『程序員大咖』
※可能是史上最全的機器學習和Python速查表
※各種相似性度量及Python實現
TAG:Python |
※Python 爬蟲闖關
※Python爬蟲之模擬登錄wechat
※Python爬蟲簡介
※python爬蟲案例——糗事百科數據採集
※Python爬蟲框架之pyspider
※Python練習-簡單爬蟲
※Python網路爬蟲四大選擇器總結
※Python爬蟲學習Scrapy之Spiders
※高效Python爬蟲技巧
※怎麼學習Python網路爬蟲基礎?
※Python爬蟲快手視頻
※Python爬蟲的債市小試(二)
※websocket與爬蟲
※Python網路爬蟲精要
※Python爬蟲項目-爬取某寶男裝信息
※Python 爬蟲:字體反爬處理
※Python爬蟲利器:Requests庫的使用
※Pyhton爬蟲實戰-抓取BOSS直聘職位描述和數據清洗
※零基礎入門Python爬蟲(一)
※python爬蟲零基礎系統學習路線