《Python爬虫实战》由会员分享，可在线阅读，更多相关《Python爬虫实战（85页珍藏版）》请在金锄头文库上搜索。
1、-Python爬虫实战Python爬虫实战（1）：爬取糗事百科段子大家好，前面入门已经说了则多基础知识了，下面我们做几个实战项目来挑战一下吧。则这次为大家带来，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，则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
2、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*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12345678910111213141516* -*- coding:utf-8 -*-importurllibimporturllib2page =1url =.qiushibaike./hot/page/+str(page)try:request =urllib2.Request(
3、url)response =urllib2.urlopen(request)printresponse.read()e*cepturllib2.URLError, e:ifhasattr(e,code):printe.codeifhasattr(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123line 373, in_read_statusraiseBadStatusLine(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1234567
4、891011121314151617* -*- coding:utf-8 -*-importurllibimporturllib2page =1url =.qiushibaike./hot/page/+str(page)user_agent =Mozilla/4.0 (patible; MSIE 5.5; Windows NT)headers = User-Agent: user_agent try:request =urllib2.Request(url,headers =headers)response =urllib2.urlopen(request)printresponse.read
5、()e*cepturllib2.URLError, e:ifhasattr(e,code):printe.codeifhasattr(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*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*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容。现在我们想获取发布人，发布日期，段子容，以及点赞的个数。不过另外注意的是，段子有些是带图片的，如果我们想在控制台显示图片是不现实的，
6、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123456content =response.read().decode(utf-8)pattern =re.pile(.*a.*.*(.*).*(.*)(.*)(.*),re.S)items =re.findall(pattern,content)foritem initems:printitem0,item1,item2,it
7、em3,item4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，item0就代表第一个(.*)所指代的容，item1就代表第二个(.*)所指代的容，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 2015-02-17 14:34:42小时候一个一个拆着放的举个爪7093奇怪的名字啊 201
8、5-02-17 14:49:16回家的路，你追我赶，回家的心情和窗外的一样灿烂。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，发布容，附加图片以及点赞数。其中，附加图片的容我把图片代码整体抠了出来，这个对应item3，所以我们只需要进一步判断item3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1234foritem initems:haveImg =re.search(img,item3)ifnothaveImg:printitem0,item1,it
9、em2,item4现在，整体的代码如下12345678910111213141516171819202122232425* -*- coding:utf-8 -*-importurllibimporturllib2importrepage =1url =.qiushibaike./hot/page/+str(page)user_agent =Mozilla/4.0 (patible; MSIE 5.5; Windows NT)headers = User-Agent: user_agent try:request =urllib2.Request(url,headers =headers)re
10、sponse =urllib2.urlopen(request)content =response.read().decode(utf-8)pattern =re.pile(.*a.*.*(.*).*(.*)(.*)(.*),re.S)items =re.findall(pattern,content)foritem initems:haveImg =re.search(img,item3)ifnothaveImg:printitem0,item1,item2,item4e*cepturllib2.URLError, e:ifhasattr(e,code):printe.codeifhasat
11、tr(e,reason):printe.reason运行一下看下效果恩，带有图片的段子已经被剔除啦。是不是很开森？3.完善交互，设计面向对象模式好啦，现在最核心的部分我们已经完成啦，剩下的就是修一下边边角角的东西，我们想达到的目的是：按下回车，读取一个段子，显示出段子的发布人，发布日期，容以及点赞个数。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，最后，我们的代码如下所示123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110_author_ =CQC* -*- coding:utf-8 -*-importurllibimporturllib2
