Python爬蟲爬取糗事百科段子例項分享
大家好,前面入門已經說了那麼多基礎知識了,下面我們做幾個實戰專案來挑戰一下吧。那麼這次為大家帶來,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釋出時間,釋出人,段子內容,點贊數。
糗事百科是不需要登入的,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並抓取頁面程式碼
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程式碼來列印頁面程式碼內容試試看,先構造最基本的頁面抓取方式,看看會不會成功。
#-*-coding:utf-8-*- importurllib importurllib2 page=1 url='http://www.qiushibaike.com/hot/page/'+str(page) try: request=urllib2.Request(url) response=urllib2.urlopen(request) printresponse.read() excepturllib2.URLError,e: ifhasattr(e,"code"): printe.code ifhasattr(e,"reason"): printe.reason
執行程式,哦不,它竟然報錯了,真是時運不濟,命途多舛啊。
line373,in_read_status raiseBadStatusLine(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,將程式碼修改如下:
#-*-coding:utf-8-*- importurllib importurllib2 page=1 url='http://www.qiushibaike.com/hot/page/'+str(page) user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)' headers={'User-Agent':user_agent} try: request=urllib2.Request(url,headers=headers) response=urllib2.urlopen(request) printresponse.read() excepturllib2.URLError,"reason"): printe.reason
嘿嘿,這次執行終於正常了,打印出了第一頁的HTML程式碼,大家可以執行下程式碼試試看。在這裡執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程式碼之後,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<div class=”article block untagged mb15″ id=”…”>…</div>包裹的內容。
現在我們想獲取釋出人,釋出日期,段子內容,以及點讚的個數。不過另外注意的是,段子有些是帶圖片的,如果我們想在控制檯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,只儲存僅含文字的段子。
所以我們加入如下正則表示式來匹配一下,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示式的介紹。
好,我們的正則表示式匹配語句書寫如下,在原來的基礎上追加如下程式碼:
content=response.read().decode('utf-8') pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?class="number"> (.*?)</i>',re.S) items=re.findall(pattern,content) foriteminitems: printitem[0],item[1],item[2],item[3],item[4]
現在正則表示式在這裡稍作說明
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,也就是我們會盡可能短地做匹配,以後我們還會大量用到 .*? 的搭配。
2)(.*?)代表一個分組,在這個正則表示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。
這樣我們就獲取了釋出人,釋出時間,釋出內容,附加圖片以及點贊數。
在這裡注意一下,我們要獲取的內容如果是帶有圖片,直接輸出出來比較繁瑣,所以這裡我們只獲取不帶圖片的段子就好了。
所以,在這裡我們就需要對帶圖片的段子進行過濾。
我們可以發現,帶有圖片的段子會帶有類似下面的程式碼,而不帶圖片的則沒有,所以,我們的正則表示式的item[3]就是獲取了下面的內容,如果不帶圖片,item[3]獲取的內容便是空。
<divclass="thumb"> <ahref="/article/112061287?list=hot&s=4794990" rel="external nofollow" target="_blank"> <imgsrc="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg"alt="但他們依然樂觀"> </a> </div>
所以我們只需要判斷item[3]中是否含有img標籤就可以了。
好,我們再把上述程式碼中的for迴圈改為下面的樣子
foriteminitems: haveImg=re.search("img",item[3]) ifnothaveImg: printitem[0],item[4]
現在,整體的程式碼如下:
#-*-coding:utf-8-*- importurllib importurllib2 importre page=1 url='http://www.qiushibaike.com/hot/page/'+str(page) user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)' 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('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?class="number"> (.*?)</i>',content) foriteminitems: haveImg=re.search("img",item[4] excepturllib2.URLError,"reason"): printe.reason
執行一下看下效果:
恩,帶有圖片的段子已經被剔除啦。是不是很開森?
3.完善互動,設計面向物件模式
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,顯示出段子的釋出人,釋出日期,內容以及點贊個數。
另外我們需要設計面向物件模式,引入類和方法,將程式碼做一下優化和封裝,最後,我們的程式碼如下所示:
__author__='CQC' #-*-coding:utf-8-*- importurllib importurllib2 importre importthread importtime #糗事百科爬蟲類 classQSBK: #初始化方法,定義一些變數 def__init__(self): self.pageIndex=1 self.user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)' #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=[] #存放程式是否繼續執行的變數 self.enable=False #傳入某一頁的索引獲得頁面程式碼 defgetPage(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獲取頁面程式碼 response=urllib2.urlopen(request) #將頁面轉化為UTF-8編碼 pageCode=response.read().decode('utf-8') returnpageCode excepturllib2.URLError,"reason"): printu"連線糗事百科失敗,錯誤原因",e.reason returnNone #傳入某一頁程式碼,返回本頁不帶圖片的段子列表 defgetPageItems(self,pageIndex): pageCode=self.getPage(pageIndex) ifnotpageCode: print"頁面載入失敗...." returnNone pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?class="number"> (.*?)</i>',pageCode) #用來儲存每頁的段子們 pageStories=[] #遍歷正則表示式匹配的資訊 foriteminitems: #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 ifnothaveImg: replaceBR=re.compile('<br/>') text=re.sub(replaceBR,"\n",item[1]) #item[0]是一個段子的釋出者,item[1]是內容,item[2]是釋出時間,item[4]是點贊數 pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()]) returnpageStories #載入並提取頁面的內容,加入到列表中 defloadPage(self): #如果當前未看的頁數少於2頁,則載入新一頁 ifself.enable==True: iflen(self.stories)<2: #獲取新一頁 pageStories=self.getPageItems(self.pageIndex) #將該頁的段子存放到全域性list中 ifpageStories: 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 #呼叫該方法,每次敲回車列印輸出一個段子 defgetOneStory(self,pageStories,page): #遍歷一頁的段子 forstoryinpageStories: #等待使用者輸入 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則程式結束 ifinput=="Q": self.enable=False return printu"第%d頁\t釋出人:%s\t釋出時間:%s\t贊:%s\n%s"%(page,story[0],story[2],story[3],story[1]) #開始方法 defstart(self): printu"正在讀取糗事百科,按回車檢視新段子,Q退出" #使變數為True,程式可以正常執行 self.enable=True #先載入一頁內容 self.loadPage() #區域性變數,控制當前讀到了第幾頁 nowPage=0 whileself.enable: iflen(self.stories)>0: #從全域性list中獲取一頁的段子 pageStories=self.stories[0] #當前讀到的頁數加一 nowPage+=1 #將全域性list中第一個元素刪除,因為已經取出 delself.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,包括髮布人,釋出時間,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專案介紹到這裡,歡迎大家繼續關注,小夥伴們加油!
以上就是Python爬蟲爬取糗事百科段子例項分享的詳細內容,更多關於Python爬蟲爬取糗事百科段子的資料請關注我們其它相關文章!