您的位置: 首页  >  IT文章  >  python爬虫实战（1）--爬取糗事百科

python爬虫实战（1）--爬取糗事百科

分类: IT文章 • 2022-05-16 12:42:46

这里利用正则表达式进行匹配，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。

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页数，发布人，段子内容，点赞数

提取某一页的所有段子

由于网站经常更新，需要在更新后及时修改代码，如何修改在糗事百科网上按F12进行页面审查

# -*- 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('h2>(.*?)</h2.*?content".*?span>(.*?)</.*?!--.*?-->(.*?)</.*?number">(.*?)</i>',re.S)
    items = re.findall(pattern,content)
    for item in items:
        haveImg = re.search("img", item[2])
        if not haveImg:
            print item[0], item[1], item[3]
except urllib2.URLError, e:
    if hasattr(e, "code"):
        print e.code
    if hasattr(e, "reason"):
        print e.reason

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。

*这里在content，number后一定要加双引号”，<>与<>之间最好直接用.*?代替，直接写很容易出错

运行结果如下：

python爬虫实战（1）--爬取糗事百科

完善交互，设计面向对象模式

  1 # -*- coding:utf-8 -*-
  2 import urllib
  3 import urllib2
  4 import re
  5 import thread
  6 import time
  7 
  8 # 糗事百科爬虫类
  9 class QSBK:
 10     # 初始化方法，定义一些变量
 11     def __init__(self):
 12         self.pageIndex = 1
 13         self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
 14         # 初始化headers
 15         self.headers = {'User-Agent': self.user_agent}
 16         # 存放段子的变量，每一个元素是每一页的段子们
 17         self.stories = []
 18         # 存放程序是否继续运行的变量
 19         self.enable = False
 20 
 21     # 传入某一页的索引获得页面代码
 22     def getPage(self, pageIndex):
 23         try:
 24             url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
 25             # 构建请求的request
 26             request = urllib2.Request(url, headers=self.headers)
 27             # 利用urlopen获取页面代码
 28             response = urllib2.urlopen(request)
 29             # 将页面转化为UTF-8编码
 30             pageCode = response.read().decode('utf-8')
 31             return pageCode
 32 
 33         except urllib2.URLError, e:
 34             if hasattr(e, "reason"):
 35                 print u"连接糗事百科失败,错误原因", e.reason
 36                 return None
 37 
 38     # 传入某一页代码，返回本页不带图片的段子列表
 39     def getPageItems(self, pageIndex):
 40         pageCode = self.getPage(pageIndex)
 41         if not pageCode:
 42             print "页面加载失败...."
 43             return None
 44         pattern = re.compile('h2>(.*?)</h2.*?content".*?span>(.*?)</.*?!--.*?-->(.*?)</.*?number">(.*?)</i>',re.S)
 45         items = re.findall(pattern, pageCode)
 46         # 用来存储每页的段子们
 47         pageStories = []
 48         # 遍历正则表达式匹配的信息
 49         for item in items:
 50             # 是否含有图片
 51             haveImg = re.search("img", item[2])
 52             # 如果不含有图片，把它加入list中
 53             if not haveImg:
 54                 replaceBR = re.compile('<br/>')
 55                 text = re.sub(replaceBR, "
", item[1])
 56                 # item[0]是一个段子的发布者，item[1]是内容，item[2]是图片,item[3]是点赞数
 57                 pageStories.append([item[0].strip(), text.strip(), item[3].strip()])
 58         return pageStories
 59 
 60     # 加载并提取页面的内容，加入到列表中
 61     def loadPage(self):
 62         # 如果当前未看的页数少于2页，则加载新一页
 63         if self.enable == True:
 64             if len(self.stories) < 2:
 65                 # 获取新一页
 66                 pageStories = self.getPageItems(self.pageIndex)
 67                 # 将该页的段子存放到全局list中
 68                 if pageStories:
 69                     self.stories.append(pageStories)
 70                     # 获取完之后页码索引加一，表示下次读取下一页
 71                     self.pageIndex += 1
 72 
 73     # 调用该方法，每次敲回车打印输出一个段子
 74     def getOneStory(self, pageStories, page):
 75         # 遍历一页的段子
 76         for story in pageStories:
 77             # 等待用户输入
 78             input = raw_input()
 79             # 每当输入回车一次，判断一下是否要加载新页面
 80             self.loadPage()
 81             # 如果输入Q则程序结束
 82             if input == "Q":
 83                 self.enable = False
 84                 return
 85             print u"第%d页
发布人:%s
赞:%s
%s" % (page, story[0], story[2], story[1])
 86 
 87     # 开始方法
 88     def start(self):
 89         print u"正在读取糗事百科,按回车查看新段子，Q退出"
 90         # 使变量为True，程序可以正常运行
 91         self.enable = True
 92         # 先加载一页内容
 93         self.loadPage()
 94         # 局部变量，控制当前读到了第几页
 95         nowPage = 0
 96         while self.enable:
 97             if len(self.stories) > 0:
 98                 # 从全局list中获取一页的段子
 99                 pageStories = self.stories[0]
100                 # 当前读到的页数加一
101                 nowPage += 1
102                 # 将全局list中第一个元素删除，因为已经取出
103                 del self.stories[0]
104                 # 输出该页的段子
105                 self.getOneStory(pageStories, nowPage)
106 
107 
108 spider = QSBK()
109 spider.start()
QSBK

相关推荐