Python爬虫实战.docx
- 文档编号:30509691
- 上传时间:2023-08-16
- 格式:DOCX
- 页数:46
- 大小:3.82MB
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(46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,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—*—
importurllib
importurllib2
page=1
url='’+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=’'+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
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.*?
class=”author。
*?
〉。
*?
*?
〉(。 *? )〈/a>。 *? class'+ ’="content"。 *? title=”(.*? )”>(.*? )〈/div〉(.*? ) class="number”>(.*? )〈/i〉’,re.S) items=re.findall(pattern,content) foriteminitems: printitem[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。 现在我们可以看一下部分运行结果 儒雅男神2015—02—1714: 34: 42 小时候一个一个拆着放的举个爪… 〈divclass="thumb”〉 list=hot&s=4747301″ =”_blank”onclick=”_hmt.push([‘_trackEvent’,‘post’,‘click’,‘signlePost’])”〉 〈/div> 7093 奇怪的名字啊2015—02-1714: 49: 16 回家的路,你追我赶,回家的心情和窗外的阳光一样灿烂。 一路向前,离亲人越来越近了。 哪里有爸妈哪里才是家,希望所有糗友的爸爸妈妈都身体健康……. 4803 这是其中的两个段子,分别打印了发布人,发布时间,发布内容,附加图片以及点赞数. 其中,附加图片的内容我把图片代码整体抠了出来,这个对应item[3],所以我们只需要进一步判断item[3]里面是否含有img这个字样就可以进行过滤了. 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 foriteminitems: haveImg=re。 search(”img",item[3]) ifnothaveImg: printitem[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—*- importurllib importurllib2 importre page=1 url=’'+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) content=response.read().decode(’utf-8’) pattern=re。 compile(’〈div。 *? class="author.*? >。 *? 〈a.*? 〈a.*? >(。 *? )〈/a〉.*? class’+ '="content”。 *? title="(.*? )”〉(.*? )
*?
) class="number”>(。 *? )〈/i〉',re。 S) items=re。 findall(pattern,content) foriteminitems: haveImg=re。 search("img”,item[3]) ifnothaveImg: printitem[0],item[1],item[2],item[4] excepturllib2。 URLError,e: ifhasattr(e,"code"): printe。 code ifhasattr(e,”reason"): printe。 reason 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 __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;MSIE5。 5;WindowsNT)' #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=’'+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(’ class="author.*? 〉。 *? 〈/a>.*? 〈a.*? 〉(.*? )〈/a>.*? class'+ '="content”.*? title="(.*? )"〉(.*? )〈/div〉(.*? ) 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: #item[0]是一个段子的发布者,item[1]是发布时间,item[2]是内容,item[4]是点赞数 pageStories。 append([item[0]。 strip(),item[1].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\n%s\n赞: %s\n”%(page,story[0],story[1],story[2],story[3]) #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() 好啦,大家来吧,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! Python爬虫实战 (2): XX贴吧帖子 大家好,上次我们实验了爬取了糗事百科的段子,那么这次我们来尝试一下爬取XX贴吧的帖子.与上一篇不同的是,这次我们需要用到文件的相关操作. 本篇目标 1.对XX贴吧的任意帖子进行抓取 2.指定是否只抓取楼主发帖内容 3。 将抓取到的内容分析并保存到文件 1。 URL格式的确定 首先,我们先观察一下XX贴吧的任意一个帖子。 比如: ,这是一个关于NBA50大的盘点,分析一下这个地址。 1 2 3 4 http: // 代表资源传输使用http协议 tieba。 baidu。 com是XX的二级域名,指向XX贴吧的服务器。 /p/3138733512是服务器某个资源,即这个帖子的地址定位符 see_lz和pn是该URL的两个参数,分别代表了只看楼主和帖子页码,等于1表示该条件为真 所以我们可以把URL分为两部分,一部分为基础部分,一部分为参数部分。 例如,上面的URL我们划分基础部分是 ,参数部分是 2.页面的抓取 熟悉了URL的格式,那就让我们用urllib2库来试着抓取页面内容吧。 上一篇糗事百科我们最后改成了的编码方式,这次我们直接尝试一下,定义一个类名叫BDTB(XX贴吧),一个初始化方法,一个获取页面的方法。 其中,有些帖子我们想指定给程序是否要只看楼主,所以我们把只看楼主的参数初始化放在类的初始化上,即init方法。 另外,获取页面的方法我们需要知道一个参数就是帖子页码,所以这个参数的指定我们放在该方法中. 综上,我们初步构建出基础代码如下: 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 26 27 28 29 30 __author__='CQC’ #-*—coding: utf—8-*- importurllib importurllib2 importre #XX贴吧爬虫类 classBDTB: #初始化,传入基地址,是否只看楼主的参数 def__init__(self,baseUrl,seeLZ): self。 baseURL=baseUrl self.seeLZ=’? see_lz=’+str(seeLZ) #传入页码,获取该页帖子的代码 defgetPage(self,pageNum): try: url=self.baseURL+self.seeLZ+’&pn=’+str(pageNum) request=urllib2。 Request(url) response=urllib2.urlopen(request) printresponse。 read() returnresponse excepturllib2。 URLError,e: ifhasattr(e,"reason”): printu”连接XX贴吧失败,错误原因",e.reason returnNone baseURL=’' bdtb=BDTB(baseURL,1)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- Python 爬虫 实战
![提示](https://static.bdocx.com/images/bang_tan.gif)