- Python爬虫入门(1):综述
- Python爬虫入门(2):爬虫基础了解
- Python爬虫入门(3):Urllib库的基本使用
- Python爬虫入门(4):Urllib库的高级用法
- Python爬虫入门(5):URLError异常处理
- Python爬虫入门(6):Cookie的使用
- Python爬虫入门(7):正则表达式
- Python爬虫入门(8):Beautiful Soup的用法
大家好,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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# -*- 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
1
2
3
|
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
# -*- 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
1
2
3
4
5
6
|
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
:
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” οnclick=”_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
1
2
3
4
|
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
# -*- 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.*?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
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
|
__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.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'
+
'="content".*?title="(.*?)">(.*?)</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
:
#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\n%s\n赞:%s\n"
%
(
page
,
story
[
0
]
,
story
[
1
]
,
story
[
2
]
,
story
[
3
]
)
#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!
from: 崔庆才的博客(@崔庆才丨静觅)
http://python.jobbole.com/81351/