Python爬虫实战.docx

Python爬虫实战.docx

《Python爬虫实战.docx》由会员分享，可在线阅读，更多相关《Python爬虫实战.docx（94页珍藏版）》请在冰豆网上搜索。

Python爬虫实战

Python爬虫实战

Python爬虫实战

（1）：

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。

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.qiushibaike./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容。

我们初步构建如下的代码来打印页面代码容试试看，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-*-

importurllib

importurllib2

page=1

url='.qiushibaike./hot/page/'+str（page）

try:

    request=urllib2.Request（url）

    response=urllib2.urlopen（request）

    printresponse.read（）

excepturllib2.URLError,e:

    ifhasattr（e,"code"）:

        printe.code

    ifhasattr（e,"reason"）:

        printe.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

line373,in_read_status

 raiseBadStatusLine（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-*-

importurllib

importurllib2

page=1

url='.qiushibaike./hot/page/'+str（page）

user_agent='Mozilla/4.0（compatible;MSIE5.5;WindowsNT）'

headers={'User-Agent':

user_agent}

try:

    request=urllib2.Request（url,headers=headers）

    response=urllib2.urlopen（request）

    printresponse.read（）

excepturllib2.URLError,e:

    ifhasattr（e,"code"）:

        printe.code

    ifhasattr（e,"reason"）:

        printe.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…