关闭

Python抓取糗事百科网页信息以及源码下载

标签: python糗事百科网页解析compile
766人阅读 评论(0) 收藏 举报
分类:

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:
这里写图片描述

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。
这里写图片描述

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:
这里写图片描述

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:
这里写图片描述

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。

这里写图片描述

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:
这里写图片描述

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:
这里写图片描述

就是这一条,这一条对应的html代码如下:
这里写图片描述

你会发现,html标签中没有

整个代码也不难,里面也给的有提示了,所以就不细说了。

下载地址,请猛戳这里!!

Github地址在这里!!

欢迎关注我的Github。^_^
【握手~~】

1
0
查看评论

[Python 爬虫之路1] 爬取糗事百科(requests,bs4)

需要打开,收藏的网站: 糗事百科 bs4中文文档 requsts中文文档 # 目标: # 1.嗅事百科 24小时 中的段子 # 2.过滤有图的段子 # 4.每次点击回车则显示一条笑话,Q退出__author__ = 'XZ' # -*- coding:utf-8 -...
  • qq_28057541
  • qq_28057541
  • 2017-02-13 21:44
  • 883

使用Python抓取网页信息

之前用C#帮朋友写了一个抓取网页信息的程序,搞得好复杂,今天朋友又要让下网页数据,好多啊,又想偷懒,可是不想用C#了,于是想到了Python,大概花了两个小时,用记事本敲的,然后在IDLE (Python GUI)里面测试。发现Python之类的解释性语言很不错,又不用编译,写个脚本就好了。代码如下...
  • liminlu0314
  • liminlu0314
  • 2012-02-27 22:47
  • 5531

python——爬虫实现网页信息抓取

首先实现关于网页解析、读取等操作我们要用到以下几个模块 import urllib import urllib2 import re 我们可以尝试一下用readline方法读某个网站,比如说百度 def test():    f=urllib.urlopen(&#...
  • sm9sun
  • sm9sun
  • 2016-11-24 17:32
  • 1209

python 页面信息抓取

1. 特点  在python 解析html这篇文章中已经做了初步的介绍,接下来再坐进一步的说明。python抓取页面信息有以下两个特点:    依赖于HTML的架构。 微小的变化可能会导致抓取失败,这取决于你编码的技巧。 2. 抓取示例  首先看一下百度视频网页的源代码,大致浏览下,选定要抓取的网...
  • Jeanphorn
  • Jeanphorn
  • 2015-07-09 12:17
  • 5929

Python3 定向爬虫之“抓取糗事百科图片”

#--*--coding:utf-8--*-- #抓取糗事百科图片,并保存到文件夹中import re import urllib.request from urllib.error import URLError,HTTPError import sysurl = "http://www...
  • qq_28766327
  • qq_28766327
  • 2016-03-30 22:23
  • 483

使用python抓取有道词典的网页并返回结果信息

使用Python写了一个抓取有道词典首页的脚本,目前功能还不完善,只能抓取基本的Tag并使用BeautifulSoup显示出来,没有对Tag里的信息进行细分。另外,网页端是按utf-8编码的,放到Windows上的命令行里无法正常显示,目前还没有测试Linux终端里的情况。有时间再完善一下吧。 ...
  • banguijun
  • banguijun
  • 2013-04-23 16:47
  • 2238

[Python]网页信息抓取

需求描述:获取http://www.gtis.com.cn/news1/index.jhtml上的37页共366条新闻标题 开发环境:python 3.3 解决方案: import urllib.request from html.parser import HTMLParser cla...
  • dcj_gis2006
  • dcj_gis2006
  • 2013-02-20 10:18
  • 316

python 爬虫 爬取糗事百科段子

在网络上看到有介绍python爬虫爬去糗事百科段子的文章,觉得还挺好玩的,所以照着文章的思路自己重新实现了代码,完成了一个小小的爬虫爬取数据的例子。1.抓取页面的源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,...
  • bitcarmanlee
  • bitcarmanlee
  • 2016-07-04 22:03
  • 3875

Python爬虫框架Scrapy之爬取糗事百科大量段子数据

如上篇文章《Python爬虫框架之Scrapy详解》(传送门:Python爬虫框架之Scrapy详解)所述。首先,准备scrapy环境: 安装Python,pip,使用pip安装lxml和scrapy。 scrapy startproject qiubai新建一个名为qiubai的scrapy爬虫项...
  • c315838651
  • c315838651
  • 2017-05-24 13:27
  • 1298

python打开网页获取网页内容方法总结

在学习python爬虫的过程中,总会遇到要获取网页内容的时候,下面就对如何获取网页内容进行总结。方法一:>import urllib >url="http://www.baidu.com" #这里是需要获取的网页 >content=urllib.open(url...
  • Winterto1990
  • Winterto1990
  • 2015-08-14 13:37
  • 21064
    个人资料
    • 访问:396419次
    • 积分:4664
    • 等级:
    • 排名:第7431名
    • 原创:100篇
    • 转载:21篇
    • 译文:0篇
    • 评论:405条
    NS-3互动交流群

    扫描二维码:

    最新评论