第一次爬虫实战--爬取糗事百科段子
来源:互联网 发布:js json判断是否有key 编辑:程序博客网 时间:2024/06/06 18:07
第一波:先尝试构造最基本的页面抓取方式
# -*- coding:utf-8 -*- #让中文能运行
import urllib
import urllib2
page = 1 #设置页数参数
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
try: #用一个try,except语句来尝试抓取
request = urllib2.Request(url) #通常我们先构造Request
response = urllib2.urlopen(request) #再用urlopen去打开它
print response.read() #记住用read()才能把它读出
except urllib2.URLError, e:
if hasattr(e,"code"): #hasattr()是判断该对象是否有该属性
print e.code #打出错误代码
if hasattr(e,"reason"):
print e.reason #打出错误原因
结果:失败了,可能是服务器拒绝了我们的爬虫访问,那么我们可以尝试设置headers信息来伪装成用户。
第二波:加上headers信息
# -*- 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)' #User-Agent声明了浏览器用于 HTTP 请求的用户代理头的值。这是设置headers必不可少的。
headers = { 'User-Agent' : user_agent } #通过一个字典来构造headers
try:
request = urllib2.Request(url,headers = headers) #headers是Request其中一个参数
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
结果:成功打出了第一页的HTML代码!
第三波:我们现在开始尝试获取某一页的所有段子(以及发布人,发布日期,段子内容,点赞个数)
1.F12查看源代码,我们可以看到每一个段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的内容。
2.我们要注意有些段子是带图片的,而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。
第三点半波:通过正则表达式获取想要的内容(内容包括用户名,段子内容和点赞数)
在之前代码加上这段:
content = response.read().decode('utf-8') #decode的作用是转换编码
pattern = re.compile('<div.*?author clearfix">.*?<a.*?<h2>(.*?)</h2>.*?<div.*?<span>(.*?)</span>.*?<i.*?number">(.*?)</i>',re.S)
#我们可以通过compile方法编译生成一个pattern对象,然后我们利用这个对象来进行进一步的匹配。正则表达式稍后说明
items = re.findall(pattern,content) #这里用re模块的findall方法搜索content,以列表形式返回全部能匹配的子串
for item in items:
print item[0],"\n",item[1],"\n",item[2],"\n\n\n"
正则表达式几点说明:
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。
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。
4)正则表达式是个坑.................多查资料多练手。
第四波:我们现在想要做到按下回车就读取一个段子,显示出段子的各种信息。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。
# -*- coding:utf-8 -*-import urllibimport urllib2import reimport threadimport time# 糗事百科爬虫类class QSBK: # 初始化方法,定义一些变量 def __init__(self):#_init_()相当于是构造函数,用来初始化实例的值.这些值一般要供其他方法调用 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 = 'http://www.qiushibaike.com/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') 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: #居然还可以这样用 print "页面加载失败...." return None pattern = re.compile('<div.*?author clearfix">.*?<a.*?<h2>(.*?)</h2>.*?<div.*?<span>(.*?)</span>.*?<i.*?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 replaceBR = re.compile('<br/>') text = re.sub(replaceBR, "\n", item[1])#将<br/>替换成\n # item[0]是一个段子的发布者,item[1]是内容,item[2]是发布时间,item[4]是点赞数 #pageStories.append([item[0].strip(), text.strip(), item[2].strip(), item[4].strip()]) pageStories.append([item[0],text,item[2]]) return pageStories print item[0], "\n\n", item[1], "\n\n", item[2], "\n\n\n" # 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发布时间:%s\t赞:%s\n%s" % (page, story[0], story[2], story[3], story[1]) print u"第%d页\t发布人:%s\t赞:%s\n%s" % (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()#调用其中的开始函数该站结构随时可能变化,正则表达式相应改变就是了。
爬虫是个坑,加油吧......
- 第一次爬虫实战--爬取糗事百科段子
- Python爬虫实战一之爬取糗事百科段子
- Python爬虫实战一之爬取糗事百科段子
- Python爬虫实战(1):爬取糗事百科段子
- Python爬虫实战(1):爬取糗事百科段子
- Python爬虫实战一之爬取糗事百科段子
- Python爬虫实战一之爬取糗事百科段子
- Python爬虫实战之爬取糗事百科段子
- Python爬虫实战一之爬取糗事百科段子
- Python爬虫实战一之爬取糗事百科段子
- Python爬虫实战(六):爬取糗事百科段子
- [python3]爬虫实战一之爬取糗事百科段子
- 【网络爬虫】爬取糗事百科段子
- python 爬虫 爬取糗事百科段子
- Python爬虫 爬取糗事百科段子
- Python爬虫爬取糗事百科段子
- Python爬虫 爬取糗事百科段子
- Python爬虫教程——实战一之爬取糗事百科段子
- 图的m着色问题
- 排序算法之插入排序
- 开课水平小测(数据结构_修改版)
- Seven Puzzle Aizu
- ceph 知识技能树
- 第一次爬虫实战--爬取糗事百科段子
- html5文件上传
- 怎样分析复杂度
- iOS 自定义设置UITabBar 角标 badgeView 的背景色
- 二分图最大匹配专题
- 笔记
- 常用正则表达式大全!(例如:匹配中文、匹配html)
- NGUI常用参数详细说明
- Linux shell编程之sed命令三