最近学习了一段时间的python,看书觉得挺简单,但是到真正高代码实现,确实不熟,下面这个东西搞了一下午时间,在别人的基础上改的,就这样也搞了一下午。算是有点入门了吧,不过,学习新东西,最快的方法就是用新东西做一些东西出来。
好了,废话不多说了,先看看糗事百科的页面什么效果:
注意看网址:
http://www.qiushibaike.com/hot/page/1#
代码中就是使用这个网址获取网页中的信息的。网址中的1代表第一页,该数字累加,就是不同页的信息。
每一页显示20条糗事,每条糗事有头像,用户姓名,糗事内容,糗事内容图片(该图片可有可无,没有图片的话,糗事内容就是纯文本形式),以及点赞或者好笑数量。
如图所示,就是典型的糗事百科的一条糗事的内容信息。
打开网址之后,F12进入开发者工具,截图如下:
图中的每个div就是一条糗事,总共20条,代表第一页的20条。
点开第一个div的糗事,查看html代码如下:
我在图中标注了每个html标签中所对应的网页端显示的内容的对应关系。可以看出有一定的规律可循。我们使用的python进行网页解析就是使用python中的正则表达式进行解析的,非常方便易用。
pattern = re.compile('<div.*?class="author.*?<a.*?>.*?<img src=(.*?).alt=.*?>.*?</a>.*?<a.*?>.*?<h2>(.*?)</h2>.*?</a>.*?<div.*?class'+
'="content".*?>(.*?)</div>(.*?)<div.class="stats.*?<i.*?class="number">(.*?)</i>', re.S);
这是我在代码中进行匹配的正则表达式,或许大家第一眼看到觉得复杂,其实仔细对应着html标签看看,就会明白的。
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。
好了,糗事百科网页信息的抓取,最主要最关键的核心就是该正则表达式的完成。这个正则表达式需要各位对照html代码慢慢体会!
需要注意的是,上面的正则表达式是我目前使用的时候整好和糗事百科网页的html代码匹配,当各位在看的时候,可能糗事百科的网页的html代码已经更改了,可能我的正则表达式就已经不匹配了,如果是这样,需要各位体会其中的意境,更新正则表达式了
整个代码如下:
# -*- coding:utf-8 -*-
__author__ = 'CQC'
import re
import urllib2
#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.*?class="author.*?<a.*?>.*?<img src=(.*?).alt=.*?>.*?</a>.*?<a.*?>.*?<h2>(.*?)</h2>.*?</a>.*?<div.*?class'+
'="content".*?>(.*?)</div>(.*?)<div.class="stats.*?<i.*?class="number">(.*?)</i>', re.S);
items = re.findall(pattern,pageCode)
#用来存储每页的段子们
pageStories = []
print 'item.len=%d' %len(items)
#遍历正则表达式匹配的信息
for item in items:
#是否含有图片
haveImg = re.compile('.*?src=(.*?)?alt=.*?')
ii = re.findall(haveImg, item[3])
# print 'havaimge=%s '%haveImg
# print 'item[2]=%s' %item[2]
#如果不含有图片,把它加入list中
if not haveImg:
#item[0]是一个段子的发布者,item[1]是内容,item[2]是图片,item[3]是点赞数
pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[3].strip(),item[4].strip()])
else:
if ii is not None and len(ii)>0:
pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),ii[0].strip(),item[4].strip()])
else:
pageStories.append([item[0].strip(),item[1].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)
print 'len==%d' %len(pageStories)
#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 i,story in enumerate(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页第%d个\n头像:%s\n发布人:%s\n内容:%s\n内容图片地址:%s\n赞:%s\n" %(page,(i+1),story[0],story[1],story[2],story[3],story[4])
#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
#局部变量,控制当前读到了第几页
nowPage = 0
while self.enable:
#先加载一页内容
self.loadPage()
if len(self.stories)>0:
#从全局list中获取一页的段子
pageStories = self.stories[0]
print 'len=%d' %len(pageStories)
#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()
运行结果如下:
细心的朋友可能看出来了,上面的结果只有19条,而每页总共有20条,是的,我一一比对发现,最后一条的作者信息没有了,所以没有匹配上:
就是这一条,这一条对应的html代码如下:
你会发现,html标签中没有