Python爬虫学习，实战一糗事百科（2017/7/21更新）

来源：互联网发布：国家统计局2016年数据编辑：程序博客网时间：2024/06/12 01:42

前言

这几天学习爬虫，网上看了一些教程，发现这个 http://cuiqingcai.com/990.html 是相当不错的。但可惜的是，整个教程是两年前的，但是Python是2.x版本的，跟现在的3.x有一些基本的语法不同；还有糗事百科也经过了改版。总之原来的爬虫程序已经无法运行了。借此学习机会，我更新一下这篇文章。

目标进程

本身初学python，暂时用着python2，完成这次爬虫实验
文章顺序按照原文章进行
分析原代码构成，并进行修改以适应现在的糗事
最后改成Python3（未完成）

1.确定URL并页面代码

现在的糗百URL为https://www.qiushibaike.com（热门板块） ，当然你可以进去到https://www.qiushibaike.com/hot/（24小时板块）

这里写图片描述

我们还是以热门板块来做，刷了几页过后发现，他是这样的：   https://www.qiushibaike.com/8hr/page/5/?s=5001478，后面一堆玩意儿看不懂，不过试了试https://www.qiushibaike.com/8hr/page/4，也是没问题，那么我们的URL就可以出来了

结合原文中的代码，我们这么写：

# -*- coding:utf-8 -*-import urllibimport urllib2page = 1url = 'https://www.qiushibaike.com/8hr/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.关于headers验证

这个headers是用来判断网站访问这是否是通过浏览器访问的。网上关于怎么查找headers很齐全。

这里以chrome为例：

在网页任意地方右击选择审查元素或者按下 shift+ctrl+c打开chrome自带的调试工具;
选择network标签,刷新网页(在打开调试工具的情况下刷新);
刷新后在左边查找该网页url(网址),点击
后右边选择headers,就可以看到当前网页的http头了;
我们用的自然是Request Headers

3.解码，正则表达式分析

解码：

利用2的代码我们可以抓取到网页的代码，但看上去似乎是一堆乱码，这个时候我们只需要将原始的读取稍微转化一下response.read()变成response.read().decode('utf-8')

正则表达式

我们先来看原代码和原页面

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]

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。

这组样例没有图片：
这里写图片描述

分析（不考虑”+换行的问题）

pattern = re.compile(            '<div.*?author">.*?            <a.*?            <img.*?>(.*?)</a>.*?//发布人            <div.*?'+'content">(.*?)//内容            <!--(.*?)-->.*?//时间            </div>(.*?)<div class="stats.*?//图片内容            class="number">(.*?)</i>'#点赞数            ,re.S)

糗百改版：

这里写图片描述

发布人：
1. 从div class=”author”到div class=”author clearfix”
2. 原来只有一个发布人的href，img后紧跟名字；现在有两个，名字在第二个中的正文里
内容：没有改变
时间：已经删去此功能
图片：没有修改，在内容和点赞之间的thumb里
点赞数：没有修改

修改完成后的总代码是和效果图

import urllibimport urllib2import repage = 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 clearfix">.*?</a>.*?>(.*?)</a>.*?'+                          '<div.*?content">.*?<span>(.*?)</span>(.*?)'+                         '<div class="stats.*?class="number">(.*?)</i>',re.S)           items = re.findall(pattern,content)    for item in items:        haveImg = re.search("img",item[2])        if not haveImg:            print "发布人： ",item[0],"内容：",item[1],"\n点赞数：",item[3]+'\n'except urllib2.URLError, e:    if hasattr(e,"code"):        print e.code    if hasattr(e,"reason"):        print e.reason

这里写图片描述

4.完善交互，设计面向对象模式

照着源代码，稍微改改吧

import urllibimport urllib2import reimport threadimport timeclass QSBK:    #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    def getPage(self,pageIndex):        try:            url = 'https://www.qiushibaike.com/8hr/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')            return pageCode        except urllib2.URLError, e:            if hasattr(e,"reason"):                print u"连接糗事百科失败,错误原因",e.reason                return None    #传入某一页代码，返回本页不带图片的段子列表    def getPageItems(self,pageIndex):        pageCode = self.getPage(pageIndex)        if not pageCode:            print "页面加载失败...."            return None        pattern = re.compile('<div.*?author clearfix">.*?</a>.*?>(.*?)</a>.*?'+                          '<div.*?content">.*?<span>(.*?)</span>(.*?)'+                         '<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        for item in items:            #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            if not haveImg:                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[3]是点赞数                pageStories.append([item[0].strip(),text.strip(),item[3].strip()])        return pageStories    #加载并提取页面的内容，加入到列表中    def loadPage(self):        #如果当前未看的页数少于2页，则加载新一页        if self.enable == True:            if len(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                if pageStories:                    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    def getOneStory(self,pageStories,page):        #遍历一页的段子        for story in pageStories:            #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            if input == "Q":                self.enable = False                return            print u"第%d页\t发布人:%s\t赞:%s\n%s\n" %(page,story[0],story[2],story[1])    #开始方法    def start(self):        print u"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        while self.enable:            if len(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                del self.stories[0]                #输出该页的段子                self.getOneStory(pageStories,nowPage)spider = QSBK()spider.start()

阅读全文

0 0