Python爬虫实战.docx
- 文档编号:5150961
- 上传时间:2022-12-13
- 格式:DOCX
- 页数:92
- 大小:7.05MB
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(92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根底知识了,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
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.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,先构造最根本的页面抓取方式,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"):
ifhasattr(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
line373,in_read_status
raiseBadStatusLine(line)
lib.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(patible;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"):
ifhasattr(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。
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,以与点赞的个数。
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。
所以我们参加如下正如此表达式来匹配一下,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如此表达式的介绍。
好,我们的正如此表达式匹配语句书写如下,在原来的根底上追加如下代码
1
2
3
4
5
6
content=response.read().decode('utf-8')
pattern=re.pile('
class="author.*?
>.*?
.*? >(.*? ).*? class'+ '="content".*? title="(.*? )">(.*? )
) class="number">(.*? )',re.S) items=re.findall(pattern,content) foriteminitems: printitem[0],item[1],item[2],item[3],item[4] 现在正如此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展匹配,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,在这个正如此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局部运行结果 儒雅男神2015-02-1714: 34: 42 小时候一个一个拆着放的举个爪… list=hot&s=4747301″ target=〞_blank〞onclick=〞_hmt.push([‘_trackEvent’,‘post’,‘click’,‘signlePost’])〞>
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,附加图片以与点赞数。
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这个字样就可以进展过滤了。
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='.qiushibaike./hot/page/'+str(page)
user_agent='Mozilla/4.0(patible;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.pile('
class="author.*?
>.*?
.*? >(.*? ).*? class'+ '="content".*? title="(.*? )">(.*? )
) class="number">(.*? )',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"): ifhasattr(e,"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,现在最核心的局部我们已经完成啦,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,内容以与点赞个数。 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 __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(patible;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='.qiushibaike./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"): 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.pile(' class="author.*? >.*? .*? >(.*? ).*? class'+ '="content".*? title="(.*? )">(.*? )