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(46页珍藏版)》请在冰豆网上搜索。
![Python爬虫实战.docx](https://file1.bdocx.com/fileroot1/2023-8/16/f5195bcf-e3bf-4575-a0ad-65065e46d72d/f5195bcf-e3bf-4575-a0ad-65065e46d72d1.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,段子内容,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,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内容。
我们初步构建如下的代码来打印页面代码内容试试看,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='’+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=’'+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,每一个段子都是包裹的内容。
现在我们想获取发布人,发布日期,段子内容,以及点赞的个数.不过另外注意的是,段子有些是带图片的,如果我们想在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。
方法的用法详情可以看前面说的正则表达式的介绍。
好,我们的正则表达式匹配语句书写如下,在原来的基础上追加如下代码
1
2
3
4
5
6
content=response.read()。
decode(’utf-8')
pattern=re。
compile(’〈div.*?
class=”author。
*?
〉。
*?
*?
.*?
〉(。
*?
)〈/a>。
*?
class'+
’="content"。
*?
title=”(.*?
)”>(.*?
)〈/div〉(.*?
)class="number”>(.*?
)〈/i〉’,re.S)
items=re.findall(pattern,content)
foriteminitems:
printitem[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。
现在我们可以看一下部分运行结果
儒雅男神2015—02—1714:
34:
42
小时候一个一个拆着放的举个爪…
〈divclass="thumb”〉
list=hot&s=4747301″ =”_blank”onclick=”_hmt.push([‘_trackEvent’,‘post’,‘click’,‘signlePost’])”〉
![]()
〈/div>
7093
奇怪的名字啊2015—02-1714:
49:
16
回家的路,你追我赶,回家的心情和窗外的阳光一样灿烂。
一路向前,离亲人越来越近了。
哪里有爸妈哪里才是家,希望所有糗友的爸爸妈妈都身体健康…….
4803
这是其中的两个段子,分别打印了发布人,发布时间,发布内容,附加图片以及点赞数.
其中,附加图片的内容我把图片代码整体抠了出来,这个对应item[3],所以我们只需要进一步判断item[3]里面是否含有img这个字样就可以进行过滤了.
好,我们再把上述代码中的for循环改为下面的样子
1
2
3
4
foriteminitems:
haveImg=re。
search(”img",item[3])
ifnothaveImg:
printitem[0],item[1],item[2],item[4]
现在,整体的代码如下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
#—*—coding:
utf—8—*-
importurllib
importurllib2
importre
page=1
url=’'+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)
content=response.read().decode(’utf-8’)
pattern=re。
compile(’〈div。
*?
class="author.*?
>。
*?
〈a.*?
〈a.*?
>(。
*?
)〈/a〉.*?
class’+
'="content”。
*?
title="(.*?
)”〉(.*?
)