Python 爬虫实战一之爬取糗事百科段子

举报
崔庆才丨静觅 发表于 2021/05/22 02:01:02 2021/05/22
【摘要】 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...

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
 
# -*- 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 20150802154147 我们可以看到，每一个段子都是

... 

1
2
3
4
5
6
 
content = response.read().decode('utf-8')
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
 'content">(.*?)<!--(.*?)-->.*?</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。 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。

1
2
3
4
5
6
7
 
<div class="thumb">

<a href="/article/112061287?list=hot&amp;s=4794990" target="_blank">
<img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他们依然乐观">
</a>

</div>

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

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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
 'content">(.*?)<!--(.*?)-->.*?</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 20150802154832 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
109
110
111
112
 
__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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
 'content">(.*?)<!--(.*?)-->.*?</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:
 replaceBR = re.compile('<br/>')
 text = re.sub(replaceBR,"\n",item[1])
 #item[0]是一个段子的发布者，item[1]是内容，item[2]是发布时间,item[4]是点赞数
 pageStories.append([item[0].strip(),text.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\t赞:%s\n%s" %(page,story[0],story[2],story[3],story[1])
 
 #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！

文章来源: cuiqingcai.com，作者：崔庆才，版权归原作者所有，如需转载，请联系作者。

原文链接：cuiqingcai.com/990.html

【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com
Python 正则表达式
  • 点赞
  • 收藏
  • 关注作者

评论（0）

0/1000
抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认 取消

加入云驻计划，成为创作者

  • 华为云周边好礼
  • 免费体验产品
  • 特殊身份标识
  • 线下官方门票
  • 内部专家零距离
  • 与10000+优质创作者共同成长
立即加入