Python爬虫实战一之爬取糗事百科段子
2016-05-02 16:02
936 查看
点我进入原文
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:
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:
![](http://img.blog.csdn.net/20160502164250053?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
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~~
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。
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
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。
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。
![](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150802154147.jpg)
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
![](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150802154832.jpg)
恩,带有图片的段子已经被剔除啦。是不是很开森?
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
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12345678910111213141516 | # -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = '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 |
1 2 3 | line373,in_read_status raiseBadStatusLine(line) httplib.BadStatusLine:'' |
1234567891011121314151617 | # -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = '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 |
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![](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150802154147.jpg)
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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S) items=re.findall(pattern,content) foriteminitems: printitem[0],item[1],item[2],item[3],item[4] |
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。
1234567 | <div class="thumb"> <a href="/article/112061287?list=hot&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> |
1 2 3 4 | foriteminitems: haveImg=re.search("img",item[3]) ifnothaveImg: printitem[0],item[1],item[2],item[4] |
12345678910111213141516171819202122232425 | # -*- coding:utf-8 -*-import urllibimport urllib2import re page = 1url = '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 |
![](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20150802154832.jpg)
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 -*- importurllib importurllib2 importre importthread importtime #糗事百科爬虫类 classQSBK: #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 defgetPage(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') returnpageCode excepturllib2.URLError,e: ifhasattr(e,"reason"): printu"连接糗事百科失败,错误原因",e.reason returnNone #传入某一页代码,返回本页不带图片的段子列表 defgetPageItems(self,pageIndex): pageCode=self.getPage(pageIndex) ifnotpageCode: print"页面加载失败...." returnNone 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 foriteminitems: #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 ifnothaveImg: 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()]) returnpageStories #加载并提取页面的内容,加入到列表中 defloadPage(self): #如果当前未看的页数少于2页,则加载新一页 ifself.enable==True: iflen(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 ifpageStories: 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 defgetOneStory(self,pageStories,page): #遍历一页的段子 forstoryinpageStories: #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 ifinput=="Q": self.enable=False return printu"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 defstart(self): printu"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 whileself.enable: iflen(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 delself.stories[0] #输出该页的段子 self.getOneStory(pageStories,nowPage) spider=QSBK() spider.start() |
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
相关文章推荐
- python的subprocess无法进行通信(无法通过管道输入数据)的问题解决
- Python数据类型之字符串
- 《python简明教程》学习笔记(1)-tuple和lis 4000 t
- Python运算符与表达式
- Numpy matrix矩阵属性详解及方法
- Python基本概念--Python学习笔记
- 解决使用pip安装lxml包报错问题
- Python GUI Programming (Tkinter)
- Python练习2 - 廖雪峰教程
- python对象的命名方法
- 安装Python和认识Python---Python学习笔记一
- Python的range函数
- Python3.0没有了raw_input函数
- python lambda函数基础
- rabbitmq的安装和命令介绍及python程序模拟生产者和消费者
- python 批量修改文件名
- 机器学习K均值聚类 python
- 【Python学习笔记】关于if __name__ == '__main__'
- Python脚本暴力破解web登录
- python 内置函数zip()