专栏首页python学习教程Python爬虫 爬取糗事百科段子实例分享

Python爬虫 爬取糗事百科段子实例分享

在本篇文章里小编给大家整理了关于Python爬虫爬取糗事百科段子实例内容,需要的朋友们可以参考下。

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。

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。

# -*- 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

运行程序,哦不,它竟然报错了,真是时运不济,命途多舛啊。

line 373, in _read_status

 raise BadStatusLine(line)

httplib.BadStatusLine: ''

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:

# -*- 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,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:

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:

content = response.read().decode('utf-8')

pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+

                         'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">

                         (.*?)</i>',re.S)

items = re.findall(pattern,content)

for item in items:

    print item[0],item[1],item[2],item[3],item[4]

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。

<div class="thumb">

<a href="/article/112061287?list=hot&amp;s=4794990" rel="external nofollow"  target="_blank">

<img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他们依然乐观">

</a>

</div>

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

for item in items:

        haveImg = re.search("img",item[3])

        if not haveImg:

            print item[0],item[1],item[2],item[4]

现在,整体的代码如下:

# -*- 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('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+

                         'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">

                         (.*?)</i>',re.S)

    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

运行一下看下效果:

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:

__author__ = 'CQC'

# -*- coding:utf-8 -*-

import urllib

import urllib2

import re

import thread

import time

#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/4.0 (compatible; MSIE 5.5; Windows NT)'

        #初始化headers

        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)

            #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')

            return pageCode

        except urllib2.URLError, e:

            if hasattr(e,"reason"):

                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('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+

                         'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">

                         (.*?)</i>',re.S)

        items = re.findall(pattern,pageCode)

        #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[3])

            #如果不含有图片,把它加入list中

            if not haveImg:

                replaceBR = re.compile('<br/>')

                text = re.sub(replaceBR,"\n",item[1])

                #item[0]是一个段子的发布者,item[1]是内容,item[2]是发布时间,item[4]是点赞数

                pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])

        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:%s\t发布时间:%s\t赞:%s\n%s" %(page,story[0],story[2],story[3],story[1])

    

    #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()

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!

本文分享自微信公众号 - python教程(pythonjc),作者:小雨

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-08-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python学习入门到精通:字符串格式化

    你应当注意到,字符串a当中有一些内容用了一些特殊表示形式,%s, %d ,这样做的目的是为了通过格式化字符串来填充这部分内容,以便于生成想要的字符串内容。

    python学习教程
  • python爬虫突破限制,爬取VIP视频资源!(附源码)

    主要介绍了python爬虫项目实例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

    python学习教程
  • python爬虫实战项目之爬取豆瓣最受欢迎的250部电影

    Python现在非常火,语法简单而且功能强大,很多同学都想学Python!所以小的给各位看官们准备了高价值Python学习视频教程及相关电子版书籍,欢迎前来领取...

    python学习教程
  • 技术| Python的从零开始系列连载(三十)

    为了解答大家学习Python时遇到各种常见问题,小灯塔特地整理了一系列从零开始的入门到熟练的系列连载,每周五准时推出,欢迎大家学积极学习转载~

    灯塔大数据
  • Python:爬虫系列笔记(7) -- 爬去糗事百科段子

    转自:静觅 » Python爬虫实战一之爬取糗事百科段子 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...

    昱良
  • 机器学习模型的超参数优化

    模型优化是机器学习算法实现中最困难的挑战之一。机器学习和深度学习理论的所有分支都致力于模型的优化。

    deephub
  • MySQL Shell转储和加载第2部分:基准测试

    关于新的MySQL Shell Dump&Load实用程序的第二部分旨在演示性能,同时还将其与其他各种逻辑转储和加载工具进行比较:mysqldump,mysql...

    MySQLSE
  • 2018 ACM Fellow正式发榜!李飞飞等6位华人当选

    全球最大的计算机领域专业性学术组织ACM刚刚公布2018年最新当选的Fellow,一共56位人工智能、计算机架构、移动网络、机器人和系统安全等领域的计算机科学家...

    昱良
  • 模拟 ROW_NUMBER() 函数

    MySQL 在 8.0 的版本推出了窗口函数,我们可以很方便地使用 row_number() 函数生成序号。

    白日梦想家
  • 618狂欢过后,冷静揭秘亚马逊和淘宝如何用算法让你剁手

    场景描述:继「双十一」之后,京东也借着店庆日,制造了与其遥相呼应的「618」年中购物狂欢节。而各大电商除了用各种营销手段吸引顾客外,也在利用智能推荐不断影响着用...

    AI科技大本营

扫码关注云+社区

领取腾讯云代金券