另外, 中间遇到两个问题:
1. ascii codec can't decode byte 0xe8 in position 0:ordinal not in range(128)
解决方法:
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
原因是, python 2.xx 默认的 string 是ascii 类型编码, 而网页上一般都是unicode 因而出现问题
2. Python 在 Eclipse报错 Undefined variable from import: setdefaultencoding
经过查阅资料发现, 这只是pydev 的一个bug 而已, 不影响程序运行
这是我们的参考博文写出来的代码,亲测可用
运行效果图:
#coding:utf-8
'''
Created on 2016-5-2
说明: 参考 博文 http://cuiqingcai.com/990.html 实现糗百段子抓取
@author: ThinkPad User
'''
import urllib
import urllib2
import re
class QBSpider():
'''
classdocs
'''
def __init__(self):
'''
Constructor
'''
self.pageIndex = 1
self.user_agent = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2438.3 Safari/537.36"
self.headers = {"User-Agent" : self.user_agent}
self.stories = []
self.enable = True
'''获取网页源代码'''
def getHtml(self, pageIndex):
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
try:
self.url = "http://www.qiushibaike.com/hot/page/" + str(pageIndex)
request = urllib2.Request(self.url, headers = self.headers)
response = urllib2.urlopen(request)
return response.read().encode('utf-8')
except urllib2.URLError, e:
if hasattr(e, "code"):
print e.code
if hasattr(e, "reason"):
print e.reason
# 加载每页的段子, 存储在 pageStories 中
def getDuanZi(self, pageIndex):
content = self.getHtml(pageIndex)
if not content:
print "加载异常"
return None
pageStories = []
string = r'<div.*?"author.*?</span>.*?<h2>(.*?)</h2>.*?"content">(.*?)</div>(.*?)<div class="stats.*?"number">(.*?)</i>'
pattern = re.compile(string, re.S)
res = re.findall(pattern, content)
for item in res:
haveimg = re.search("img", item[2])
if not haveimg:
replaceBR = re.compile('<br.*?>', re.S)
text = re.sub(replaceBR, "\n", item[1])
pageStories.append([item[0].strip(), text.strip(), item[3].strip()])
return pageStories
# 自动获取后面1页的段子信息, 保证现有段子数 >= 2
def loadPage(self):
if len(self.stories) < 2:
pageStories = self.getDuanZi(self.pageIndex)
if pageStories:
self.stories.append(pageStories)
self.pageIndex += 1
def getOneStory(self, pageStories, page):
for story in pageStories:
input = raw_input()
self.loadPage()
if input == "Q":
self.enable = False
return
print u"第%d页\t发布人:%s\t赞:%s\n%s" %(page,story[0],story[2],story[1])
def start(self):
print u"正在读取糗百信息, 按回车查看新段子, Q退出"
self.enable = True
self.loadPage()
nowpage = 0
while self.enable:
if (len(self.stories) > 0):
pageStories = self.stories[0]
nowpage += 1
del self.stories[0]
self.getOneStory(pageStories, nowpage)
if "__main__" == __name__:
qb = QBSpider()
qb.start()
需要注意的是, 距离作者的原文发布的时间有一段距离了, 糗百的html 代码发生部分变化, 因而 正则表达式模块需要自己重新根据实际情况进行编写~~
Python爬虫实战一之爬取糗事百科段子
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。
友情提示
糗事百科在前一段时间进行了改版,导致之前的代码没法用了,会导致无法输出和CPU占用过高的情况,是因为正则表达式没有匹配到的缘故。
现在,博主已经对程序进行了重新修改,代码亲测可用,包括截图和说明,之前一直在忙所以没有及时更新,望大家海涵!
更新时间:2015/8/2
糗事百科又又又又改版了,博主已经没心再去一次次匹配它了,如果大家遇到长时间运行不出结果也不报错的情况,请大家参考最新的评论,热心小伙伴提供的正则来修改下吧~
更新时间:2016/3/27
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
运行程序,哦不,它竟然报错了,真是时运不济,命途多舛啊
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
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
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。
这样我们就获取了发布人,发布时间,发布内容,附加图片以及点赞数。
在这里注意一下,我们要获取的内容如果是带有图片,直接输出出来比较繁琐,所以这里我们只获取不带图片的段子就好了。
所以,在这里我们就需要对带图片的段子进行过滤。
我们可以发现,带有图片的段子会带有类似下面的代码,而不带图片的则没有,所以,我们的正则表达式的item[3]就是获取了下面的内容,如果不带图片,item[3]获取的内容便是空。
所以我们只需要判断item[3]中是否含有img标签就可以了。
好,我们再把上述代码中的for循环改为下面的样子
现在,整体的代码如下
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
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!
转载请注明:静觅 » Python爬虫实战一之爬取糗事百科段子