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(94页珍藏版)》请在冰豆网上搜索。
![Python爬虫实战.docx](https://file1.bdocx.com/fileroot1/2022-10/27/5740d1c0-965c-45fa-becd-b19117ad36ba/5740d1c0-965c-45fa-becd-b19117ad36ba1.gif)
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基础知识了,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
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时间,发布人,段子容,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。
1.确定URL并抓取页面代码
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容。
我们初步构建如下的代码来打印页面代码容试试看,先构造最基本的页面抓取方式,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"):
printe.code
ifhasattr(e,"reason"):
printe.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)
httplib.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(compatible;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"):
printe.code
ifhasattr(e,"reason"):
printe.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。
2.提取某一页的所有段子
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…