【爬虫入门】抓取糗事百科的段子1.0

爬取糗事百科信息

注意：爬取任何一个网站，首先要确定的就是这个网站是静态网站还是动态网站。其次看看这个GET请求是否携带了特殊的参数。最后需要留意请求头中的Cookie信息。

class QSBKSpider(object):
    """
    爬虫类
    """

    def __init__(self):
        # 将各个页面通用的路径，不变的路径声明为属性，调用方便，直接在这个属性后面拼接页码
        self.base_url = "https://www.qiushibaike.com/hot/page/"
        # 初始化请求头，伪造浏览器请求头中的User-Agent字段值，如果不修改这个字段值，有一个默认的值：User-Agent：python-3.7 XXX。
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
        }
        #实例化工具类DataTool的对象
        self.tool=DataTool()

    def get_list_html(self, page_num):
        """
        获取每一个列表页的html网页源代码（这个获取的源代码就是"右键-网页源代码"）中的内容
        page_num:表示将要请求的页面的页码
        :return:
        """
        # 构造每一页的url地址
        page_url = self.base_url + str(page_num)
        # 向page_url发送GET请求，开始获取当前页page_num的网页源代码
        # 先构造Request请求对象
        request = Request(page_url, headers=self.headers)
        try:
            response = urlopen(request)
        except Exception as e:
            print(page_url + "请求失败,原因是" + e)
            return None
        else:
            # try语句中的请求没有出现异常，就会执行else语句，如果出现异常了就不会执行else语句了。
            # print(response)
            return response.read().decode()

    def parse_list_html(self, html):
        """
        解析上一个函数请求的html源代码
        :param html: 列表页的网页源代码
        :return:
        """
        if html:
            # 使用正则表达式解析网页源代码
            # 写正则注意事项：
            # 1.尽量找到要匹配的零散的数据所在的标签，而且这个标签必须和这些零散的数据一样能够循环。因为findall（）函数在循环匹配数据的时候，是按照整个正则表达式规则循环匹配的。
            # 2.在参考网页中"审查元素"来设置正则匹配规则的时候，一定要确认是否和"网页源代码"中的标签顺序、属性顺序等保持一致，如果不一致的话，必须参考"网页源代码"来设置正则匹配规则。因为"审查元素"中的Html代码是经过Js渲染之后的源代码。
            pattern = re.compile(
                r'<div class="article block.*?>.*?<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div class="articleGender.*?">(.*?)</div>.*?<div class="content">.*?<span>(.*?)</span>.*?<div class="stats">.*?<i class="number">(.*?)</i>.*?<i class="number">(.*?)</i>',
                re.S)
            results_list = re.findall(pattern, html)
            for data in results_list:
                new_data=self.tool.process_tuple_data(data)
                print(new_data)
            pass
        else:
            print("html源代码为None")

import sqlite3, re
from urllib.request import Request, urlopen


class DataTool(object):
    """
    工具类：对提取的元祖中的数据，进行整理，删除无效的字符（\n,<br/>）
    """
    # 定义删除\n字符的正则表达式
    pattern_n = re.compile(r'\n', re.S)
    # 定义删除<br/>字符的正则表达式
    pattern_br = re.compile(r'<br/>', re.S)

    def process_tuple_data(self, orgin_tuple_data):
        """
        用于对提取的原始元祖进行数据处理的函数
        :param orgin_tuple_data: 原始数据元祖
        :return: 返回整理之后的元祖
        """
        # 需要处理的数据：用户昵称、段子内容
        # sub()是正则表达式中的替换数据的方法，需要将\n这个字符替换成空字符
        # 参数：1.替换规则 2.替换结果 3.要匹配的字符串
        nick_name = re.sub(self.pattern_n, '', orgin_tuple_data[0])

        # 处理段子内容
        content = re.sub(self.pattern_n, '', orgin_tuple_data[2])
        content = re.sub(self.pattern_br, '', content)

        #将处理后的数据再封装成一个元祖，返回
        data=(nick_name,orgin_tuple_data[1],content,orgin_tuple_data[3])
        return data

obj = QSBKSpider()
html = obj.get_list_html(3)
obj.parse_list_html(html)