<label id="bh7tp"><big id="bh7tp"></big></label>

<em id="bh7tp"><tr id="bh7tp"><u id="bh7tp"></u></tr></em>
<th id="bh7tp"></th>

<li id="bh7tp"><acronym id="bh7tp"></acronym></li>
  • <em id="bh7tp"></em>

    <tbody id="bh7tp"><pre id="bh7tp"></pre></tbody>
  • Python教程自學網歡迎您來學習!
    當前位置: 首頁 > Python爬蟲 > 以爬取糗事百科段子為例(實戰)

    以爬取糗事百科段子為例(實戰)

       

    以爬取糗事百科段子為例(實戰)

    大家好,前面入門已經說了那么多基礎知識了,下面我們做幾個實戰項目來挑戰一下吧。那么這次為大家帶來,Python爬取糗事百科的小段子的例子。

    首先,糗事百科大家都聽說過吧?糗友們發的搞笑的段子一抓一大把,這次我們嘗試一下用爬蟲把他們抓取下來。

    本篇目標

    1.抓取糗事百科熱門段子;

    2.過濾帶有圖片的段子;

    3.實現每按一次回車顯示一個段子的發布時間,發布人,段子內容,點贊數。

    糗事百科是不需要登錄的,所以也沒必要用到Cookie,另外糗事百科有的段子是附圖的,我們把圖抓下來圖片不便于顯示,那么我們就嘗試過濾掉有圖的段子吧。

    好,現在我們嘗試抓取一下糗事百科的熱門段子吧,每按下一次回車我們顯示一個段子。

    1.確定URL并抓取頁面代碼

    首先我們確定好頁面的URL是 http://www.qiushibaike.com/hot/page/1,其中最后一個數字1代表頁數,我們可以傳入不同的值來獲得某一頁的段子內容。

    我們初步構建如下的代碼來打印頁面代碼內容試試看,先構造最基本的頁面抓取方式,看看會不會成功。

    #?-*-?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

    運行程序,哦不,它竟然報錯了,真是時運不濟,命途多舛啊。

    line?373,?in?_read_status
    ?raise?BadStatusLine(line)
    httplib.BadStatusLine:?''

    好吧,應該是headers驗證的問題,我們加上一個headers驗證試試看吧,將代碼修改如下:

    #?-*-?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,這次運行終于正常了,打印出了第一頁的HTML代碼,大家可以運行下代碼試試看。在這里運行結果太長就不貼了。

    2.提取某一頁的所有段子

    好,獲取了HTML代碼之后,我們開始分析怎樣獲取某一頁的所有段子。

    首先我們審查元素看一下,按瀏覽器的F12,截圖如下:

    以爬取糗事百科段子為例(實戰)

    我們可以看到,每一個段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的內容。

    現在我們想獲取發布人,發布日期,段子內容,以及點贊的個數。不過另外注意的是,段子有些是帶圖片的,如果我們想在控制臺顯示圖片是不現實的,所以我們直接把帶有圖片的段子給它剔除掉,只保存僅含文本的段子。

    所以我們加入如下正則表達式來匹配一下,用到的方法是 re.findall 是找尋所有匹配的內容。方法的用法詳情可以看前面說的正則表達式的介紹。

    好,我們的正則表達式匹配語句書寫如下,在原來的基礎上追加如下代碼:

    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]

    現在正則表達式在這里稍作說明

    1).*? 是一個固定的搭配,.和*代表可以匹配任意無限多個字符,加上?表示使用非貪婪模式進行匹配,也就是我們會盡可能短地做匹配,以后我們還會大量用到 .*? 的搭配。

    2)(.*?)代表一個分組,在這個正則表達式中我們匹配了五個分組,在后面的遍歷item中,item[0]就代表第一個(.*?)所指代的內容,item[1]就代表第二個(.*?)所指代的內容,以此類推。

    3)re.S 標志代表在匹配時為點任意匹配模式,點 . 也可以代表換行符。

    這樣我們就獲取了發布人,發布時間,發布內容,附加圖片以及點贊數。

    在這里注意一下,我們要獲取的內容如果是帶有圖片,直接輸出出來比較繁瑣,所以這里我們只獲取不帶圖片的段子就好了。

    所以,在這里我們就需要對帶圖片的段子進行過濾。

    我們可以發現,帶有圖片的段子會帶有類似下面的代碼,而不帶圖片的則沒有,所以,我們的正則表達式的item[3]就是獲取了下面的內容,如果不帶圖片,item[3]獲取的內容便是空。

    <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="但他們依然樂觀">
    </a>
    </div>

    所以我們只需要判斷item[3]中是否含有img標簽就可以了。

    好,我們再把上述代碼中的for循環改為下面的樣子

    for?item?in?items:
    ????????haveImg?=?re.search("img",item[3])
    ????????if?not?haveImg:
    ????????????print?item[0],item[1],item[2],item[4]

    現在,整體的代碼如下:

    #?-*-?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

    運行一下看下效果:

    以爬取糗事百科段子為例(實戰)

    恩,帶有圖片的段子已經被剔除啦。是不是很開森?

    3.完善交互,設計面向對象模式

    好啦,現在最核心的部分我們已經完成啦,剩下的就是修一下邊邊角角的東西,我們想達到的目的是:

    按下回車,讀取一個段子,顯示出段子的發布人,發布日期,內容以及點贊個數。

    另外我們需要設計面向對象模式,引入類和方法,將代碼做一下優化和封裝,最后,我們的代碼如下所示:

    __author__?=?'CQC'
    #?-*-?coding:utf-8?-*-
    import?urllib
    import?urllib2
    import?re
    import?thread
    import?time
    #糗事百科爬蟲類
    class?QSBK:
    ????#初始化方法,定義一些變量
    ????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?}
    ????????#存放段子的變量,每一個元素是每一頁的段子們
    ????????self.stories?=?[]
    ????????#存放程序是否繼續運行的變量
    ????????self.enable?=?False
    ????#傳入某一頁的索引獲得頁面代碼
    ????def?getPage(self,pageIndex):
    ????????try:
    ????????????url?=?'http://www.qiushibaike.com/hot/page/'?+?str(pageIndex)
    ????????????#構建請求的request
    ????????????request?=?urllib2.Request(url,headers?=?self.headers)
    ????????????#利用urlopen獲取頁面代碼
    ????????????response?=?urllib2.urlopen(request)
    ????????????#將頁面轉化為UTF-8編碼
    ????????????pageCode?=?response.read().decode('utf-8')
    ????????????return?pageCode
    ????????except?urllib2.URLError,?e:
    ????????????if?hasattr(e,"reason"):
    ????????????????print?u"連接糗事百科失敗,錯誤原因",e.reason
    ????????????????return?None
    ????#傳入某一頁代碼,返回本頁不帶圖片的段子列表
    ????def?getPageItems(self,pageIndex):
    ????????pageCode?=?self.getPage(pageIndex)
    ????????if?not?pageCode:
    ????????????print?"頁面加載失敗...."
    ????????????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)
    ????????#用來存儲每頁的段子們
    ????????pageStories?=?[]
    ????????#遍歷正則表達式匹配的信息
    ????????for?item?in?items:
    ????????????#是否含有圖片
    ????????????haveImg?=?re.search("img",item[3])
    ????????????#如果不含有圖片,把它加入list中
    ????????????if?not?haveImg:
    ????????????????replaceBR?=?re.compile('<br/>')
    ????????????????text?=?re.sub(replaceBR,"\n",item[1])
    ????????????????#item[0]是一個段子的發布者,item[1]是內容,item[2]是發布時間,item[4]是點贊數
    ????????????????pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])
    ????????return?pageStories
    ????#加載并提取頁面的內容,加入到列表中
    ????def?loadPage(self):
    ????????#如果當前未看的頁數少于2頁,則加載新一頁
    ????????if?self.enable?==?True:
    ????????????if?len(self.stories)?<?2:
    ????????????????#獲取新一頁
    ????????????????pageStories?=?self.getPageItems(self.pageIndex)
    ????????????????#將該頁的段子存放到全局list中
    ????????????????if?pageStories:
    ????????????????????self.stories.append(pageStories)
    ????????????????????#獲取完之后頁碼索引加一,表示下次讀取下一頁
    ????????????????????self.pageIndex?+=?1
    ????
    ????#調用該方法,每次敲回車打印輸出一個段子
    ????def?getOneStory(self,pageStories,page):
    ????????#遍歷一頁的段子
    ????????for?story?in?pageStories:
    ????????????#等待用戶輸入
    ????????????input?=?raw_input()
    ????????????#每當輸入回車一次,判斷一下是否要加載新頁面
    ????????????self.loadPage()
    ????????????#如果輸入Q則程序結束
    ????????????if?input?==?"Q":
    ????????????????self.enable?=?False
    ????????????????return
    ????????????print?u"第%d頁\t發布人:%s\t發布時間:%s\t贊:%s\n%s"?%(page,story[0],story[2],story[3],story[1])
    ????
    ????#開始方法
    ????def?start(self):
    ????????print?u"正在讀取糗事百科,按回車查看新段子,Q退出"
    ????????#使變量為True,程序可以正常運行
    ????????self.enable?=?True
    ????????#先加載一頁內容
    ????????self.loadPage()
    ????????#局部變量,控制當前讀到了第幾頁
    ????????nowPage?=?0
    ????????while?self.enable:
    ????????????if?len(self.stories)>0:
    ????????????????#從全局list中獲取一頁的段子
    ????????????????pageStories?=?self.stories[0]
    ????????????????#當前讀到的頁數加一
    ????????????????nowPage?+=?1
    ????????????????#將全局list中第一個元素刪除,因為已經取出
    ????????????????del?self.stories[0]
    ????????????????#輸出該頁的段子
    ????????????????self.getOneStory(pageStories,nowPage)
    spider?=?QSBK()
    spider.start()

    好啦,大家來測試一下吧,點一下回車會輸出一個段子,包括發布人,發布時間,段子內容以及點贊數,是不是感覺爽爆了!

    我們第一個爬蟲實戰項目介紹到這里,歡迎大家繼續關注,小伙伴們加油!

    人人爽人人澡人人人妻
    <label id="bh7tp"><big id="bh7tp"></big></label>

    <em id="bh7tp"><tr id="bh7tp"><u id="bh7tp"></u></tr></em>
    <th id="bh7tp"></th>

    <li id="bh7tp"><acronym id="bh7tp"></acronym></li>
  • <em id="bh7tp"></em>

    <tbody id="bh7tp"><pre id="bh7tp"></pre></tbody>