文档章节

Python3写爬虫(五)爬取糗事百科段子

巴鲁
 巴鲁
发布于 2015/04/19 22:58
字数 2135
阅读 172
收藏 1

最近几天开始用Python3改写网上用Python2写的案例,发现完全可以用Python3来重构Python2的源码。本篇文章,借用一篇《Python爬虫实战一之爬取糗事百科段子》博文,写出它的Python3版本。这是一篇非常好的文章,从局部开始,然后逐步完成一个案例。下面就是它的Python3实现~

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。


import urllib.request
 
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 = urllib.request.Request(url,headers = headers)
    response = urllib.request.urlopen(request).read()
    content=response.decode('utf-8')    
    print(content)
except urllib.error.URLError as e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason



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

20150218002912

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。下面内容在我前面的博客中有介绍,就是利用re模块正则表达式检索捕获的页面内容:

pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
                     '="content".*?title="(.*?)">(.*?)</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。

现在我们可以看一下部分运行结果

儒雅男神 2015-02-17 14:34:42

小时候一个一个拆着放的举个爪…

<div class=”thumb”>

<a href=”/article/100705418?list=hot&s=4747301″ target=”_blank” onclick=”_hmt.push([‘_trackEvent’, ‘post’, ‘click’, ‘signlePost’])”>
<img src=”http://pic.qiushibaike.com/system/pictures/10070/100705418/medium/app100705418.jpg” alt=”糗事#100705418″ />
</a>

</div>

7093
奇怪的名字啊 2015-02-17 14:49:16

回家的路,你追我赶,回家的心情和窗外的阳光一样灿烂。一路向前,离亲人越来越近了。哪里有爸妈哪里才是家,希望所有糗友的爸爸妈妈都身体健康…….

4803

这是其中的两个段子,分别打印了发布人,发布时间,发布内容,附加图片以及点赞数。其中,附加图片的内容我把图片代码整体抠了出来,这个对应item[3],所以我们只需要进一步判断item[3]里面是否含有img这个字样就可以进行过滤了。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])
现在整体代码如下:



import urllib.request
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 = urllib.request.Request(url,headers = headers)
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
                         '="content".*?title="(.*?)">(.*?)</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 urllib.error.URLError as e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason




运行一下看下效果,已经剔除掉含图片的段子

20150218005549



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,最后要设计出: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:


#!/usr/bin/env python3
__author__="BALUW"
import urllib.request
import urllib
import re

#糗事百科爬虫类
class QSSPider:
    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=[]
        #存放程序是否继续进行的变量
        self.enable=False
    
    #传入某一页的索引,获得页面代码
    #返回页面代码
    def getPage(self,pageIndex ):
        try:   
            url="http://www.qiushibaike.com/hot/page/"+str(pageIndex)
            request=urllib.request.Request(url,headers=self.headers)
            response=urllib.request.urlopen(request).read()
            pageCode=response.decode("utf-8")
            return pageCode
        except urllib.error.URLError as e:
            if hasattr(e,"reason"):
                print("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
    #返回段子列表
    def getPageItems(self,pageIndex):
        pageStories=[]
        pageCode=self.getPage(pageIndex)
        if not pageCode:
            print("页面加载失败…………")
        pattern=re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+'="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
        items=re.findall(pattern,pageCode)
        for item in items:
            haveImg=re.search("img",item[3])
            if not haveImg:
                #item[0]是一个段子的发布者,item[1]是发布时间,item[2]是内容,item[4]是点赞数
                pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[4].strip()])
        return pageStories
    
    
    #加载并提取页面内容,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:
                pageStories=self.getPageItems(self.pageIndex)
                #将该页面的段子放入全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    self.pageIndex+=1
    
    
    #调用该方法,每次敲击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
            inputx=input()
            #每当输入一次回车,判断一下是否要加载新页面
            self.loadPage()
            #输入Q则程序结束
            if inputx=="Q":
                self.enable=False
                return
            print("第{0}页\t发布人:{1}\t发布时间:{2}\n{3}\n赞:{4}\n".format(page,story[0],story[1],story[2],story[3]))
    
    
    def start(self):
        print("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
        #先载入一个页面的段子
        self.loadPage()

        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]
                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)

#--------程序入口---------
print("""
------------------------------------
   程序:糗百爬虫  
   版本:1.1  
   作者:baluw  
   日期:2015-04-19  
   语言:Python 3.4   
   功能:捕获糗事百科上的文字段子  
------------------------------------
""")
spider=QSSPider()
spider.start()
#--------程序入口---------
看看运行效果【这个是我用Python3改写的,不是原博客的,原文章真是好文章,因为它解决了我前一篇文章中存在的问题,并且代码更加优美】:





© 著作权归作者所有

巴鲁
粉丝 8
博文 23
码字总数 12631
作品 0
本溪
程序员
私信 提问
分享我自己写的一套Python爬虫学习经验

最近在学习Python爬虫,感觉非常有意思,真的让生活可以方便很多。学习过程中我把一些学习的笔记总结下来,还记录了一些自己实际写的一些小爬虫,在这里跟大家一同分享,希望对Python爬虫感兴...

崔庆才
2015/02/23
3.9K
25
Python爬虫框架Scrapy架构和爬取糗事百科段子结果

根据上篇文章《Python爬虫框架Scrapy之爬取糗事百科大量段子数据》(传送门:Python爬虫框架Scrapy之爬取糗事百科大量段子数据),写好了糗百段子的爬虫,接下来就是开始运行然后获取结果了。...

铁扇公主1
2017/05/24
223
0
Python3.x实现简单爬虫—爬糗事百科

1、Python版本:3.5,urllib库, 2、爬取糗事百科24小时热门段子,第一页(网页地址:http://www.qiushibaike.com/hot/1) 3、使用正则匹配, re库 4、Python2的urllib、urllib2合并成pytoh...

大猩猩secrets
2016/10/25
61
0
python-20:爬取糗事百科段子源码

到这里,我们爬取糗事百科这个入门项目已经结束了,下面贴上源码: ---------------------------------爬取糗事百科段子源码---------------------------- #!/usr/bin/env python -- coding:...

达岭凹老大
2015/11/25
198
0
python—爬虫

1.1 介绍 通过过滤和分析HTML代码,实现对文件、图片等资源的获取,一般用到: urllib和urllib2模块 正则表达式(re模块) requests模块 Scrapy框架 urllib库: 1)获取web页面 2)在远程htt...

huangzp168
2018/01/12
0
0

没有更多内容

加载失败,请刷新页面

加载更多

移动开发中的 Web:WebView、WebKit、JSCore、Web 优化、热修复、跨平台、Native、Hybrid……

移动开发领域近年来已经逐渐告别了野蛮生长的时期,进入了相对成熟的时代。而一直以来 Native 和 Web 的争论从未停止,通过开发者孜孜不倦的努力,Web 的效率和 Native 的体验也一直在寻求着...

编辑部的故事
28分钟前
14
0
MySQL8.0.17 - Multi-Valued Indexes 简述

本文主要简单介绍下8.0.17新引入的功能multi-valued index, 顾名思义,索引上对于同一个Primary key, 可以建立多个二级索引项,实际上已经对array类型的基础功能做了支持 (感觉官方未来一定...

阿里云官方博客
今天
11
0
make4.1降级 make-3.81、2错误

在编译 make-3.82 的时候出现如下错误提示 glob/glob.c:xxx: undefined reference to `__alloca'` 修改 /glob/glob.c // #if !defined __alloca && !defined __GNU_LIBRARY__ # ifdef __GNUC......

Domineering
今天
18
0
Rainbond集群的安装和运维的原理

本文将解读Rainbond集群的安装和运维的原理,使用户基本了解Rainbond的安装机制和运维重点,便于用户搭建大型Rainbond集群。 1.Rainbond集群节点概述 1.1 节点分类 属性 类型 说明 manage 管...

好雨云帮
今天
11
0
好程序员大数据学习路线分享UDF函数

1.为什么需要UDF? 1)、因为内部函数没法满足需求。 2)、hive它本身就是一个灵活框架,允许用自定义模块功能,如可以自定义UDF、serde、输入输出等。 2.UDF是什么? UDF:user difine fun...

好程序员官方
今天
13
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部