如何用Python编写实例代码爬取糗事百科段子分享内容？
- 内容介绍
- 文章标签
- 相关推荐
本文共计2634个文字，预计阅读时间需要11分钟。
家好，入门已介绍了很多基础知识。下面，我们来做几个实战项目挑战一下吧！这次，我们以Python爬取科学百事小段子的例子来实践。首先，大家都听说过科学百事吧？
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 www.qiushibaike.com/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。
#-*-coding:utf-8-*- importurllib importurllib2 page=1 url='www.qiushibaike.com/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。
line373,in_read_status raiseBadStatusLine(line) www.qiushibaike.com/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<div class=”article block untagged mb15″ id=”…”>…</div>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。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：
content=response.read().decode('utf-8') pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?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。
这样我们就获取了发布人，发布时间，发布内容，附加图片以及点赞数。
在这里注意一下，我们要获取的内容如果是带有图片，直接输出出来比较繁琐，所以这里我们只获取不带图片的段子就好了。
所以，在这里我们就需要对带图片的段子进行过滤。
我们可以发现，带有图片的段子会带有类似下面的代码，而不带图片的则没有，所以，我们的正则表达式的item[3]就是获取了下面的内容，如果不带图片，item[3]获取的内容便是空。
<divclass="thumb"> <ahref="/article/112061287?list=hot&s=4794990" rel="external nofollow" target="_blank"> <imgsrc="img.558idc.com/uploadfile/allimg/210402/21454RX8-1.jpg"alt="但他们依然乐观"> </a> </div>
所以我们只需要判断item[3]中是否含有img标签就可以了。
好，我们再把上述代码中的for循环改为下面的样子
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：
#-*-coding:utf-8-*- importurllib importurllib2 importre page=1 url='www.qiushibaike.com/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) content=response.read().decode('utf-8') pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?class="number"> (.*?)</i>',re.S) items=re.findall(pattern,content) foriteminitems: haveImg=re.search("img",item[3]) ifnothaveImg: printitem[0],item[1],item[2],item[4] excepturllib2.URLError,e: ifhasattr(e,"code"): printe.code ifhasattr(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，内容以及点赞个数。
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：
__author__='CQC' #-*-coding:utf-8-*- importurllib importurllib2 importre importthread importtime #糗事百科爬虫类 classQSBK: #初始化方法，定义一些变量 def__init__(self): self.pageIndex=1 self.user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)' #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 defgetPage(self,pageIndex): try: url='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') returnpageCode excepturllib2.URLError,e: ifhasattr(e,"reason"): printu"连接糗事百科失败,错误原因",e.reason returnNone #传入某一页代码，返回本页不带图片的段子列表 defgetPageItems(self,pageIndex): pageCode=self.getPage(pageIndex) ifnotpageCode: print"页面加载失败...." returnNone pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?class="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 foriteminitems: #是否含有图片 haveImg=re.search("img",item[3]) #如果不含有图片，把它加入list中 ifnothaveImg: replaceBR=re.compile('<br/>') text=re.sub(replaceBR,"\n",item[1]) #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()]) returnpageStories #加载并提取页面的内容，加入到列表中 defloadPage(self): #如果当前未看的页数少于2页，则加载新一页 ifself.enable==True: iflen(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 ifpageStories: 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 defgetOneStory(self,pageStories,page): #遍历一页的段子 forstoryinpageStories: #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 ifinput=="Q": self.enable=False return printu"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]) #开始方法 defstart(self): printu"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 whileself.enable: iflen(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 delself.stories[0] #输出该页的段子 self.getOneStory(pageStories,nowPage) spider=QSBK() spider.start()
好啦，大家来测试一下吧，点一下回车会输出一个段子，包括发布人，发布时间，段子内容以及点赞数，是不是感觉爽爆了！
我们第一个爬虫实战项目介绍到这里，欢迎大家继续关注，小伙伴们加油！
以上就是Python爬虫爬取糗事百科段子实例分享的详细内容，更多关于Python爬虫爬取糗事百科段子的资料请关注易盾网络其它相关文章！
本文共计2634个文字，预计阅读时间需要11分钟。
家好，入门已介绍了很多基础知识。下面，我们来做几个实战项目挑战一下吧！这次，我们以Python爬取科学百事小段子的例子来实践。首先，大家都听说过科学百事吧？
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 www.qiushibaike.com/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。
#-*-coding:utf-8-*- importurllib importurllib2 page=1 url='www.qiushibaike.com/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。
line373,in_read_status raiseBadStatusLine(line) www.qiushibaike.com/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<div class=”article block untagged mb15″ id=”…”>…</div>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。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：
content=response.read().decode('utf-8') pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?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。
这样我们就获取了发布人，发布时间，发布内容，附加图片以及点赞数。
在这里注意一下，我们要获取的内容如果是带有图片，直接输出出来比较繁琐，所以这里我们只获取不带图片的段子就好了。
所以，在这里我们就需要对带图片的段子进行过滤。
我们可以发现，带有图片的段子会带有类似下面的代码，而不带图片的则没有，所以，我们的正则表达式的item[3]就是获取了下面的内容，如果不带图片，item[3]获取的内容便是空。
<divclass="thumb"> <ahref="/article/112061287?list=hot&s=4794990" rel="external nofollow" target="_blank"> <imgsrc="img.558idc.com/uploadfile/allimg/210402/21454RX8-1.jpg"alt="但他们依然乐观"> </a> </div>
所以我们只需要判断item[3]中是否含有img标签就可以了。
好，我们再把上述代码中的for循环改为下面的样子
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：
#-*-coding:utf-8-*- importurllib importurllib2 importre page=1 url='www.qiushibaike.com/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) content=response.read().decode('utf-8') pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?class="number"> (.*?)</i>',re.S) items=re.findall(pattern,content) foriteminitems: haveImg=re.search("img",item[3]) ifnothaveImg: printitem[0],item[1],item[2],item[4] excepturllib2.URLError,e: ifhasattr(e,"code"): printe.code ifhasattr(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，内容以及点赞个数。
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：
__author__='CQC' #-*-coding:utf-8-*- importurllib importurllib2 importre importthread importtime #糗事百科爬虫类 classQSBK: #初始化方法，定义一些变量 def__init__(self): self.pageIndex=1 self.user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)' #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 defgetPage(self,pageIndex): try: url='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') returnpageCode excepturllib2.URLError,e: ifhasattr(e,"reason"): printu"连接糗事百科失败,错误原因",e.reason returnNone #传入某一页代码，返回本页不带图片的段子列表 defgetPageItems(self,pageIndex): pageCode=self.getPage(pageIndex) ifnotpageCode: print"页面加载失败...." returnNone pattern=re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<divclass="stats.*?class="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 foriteminitems: #是否含有图片 haveImg=re.search("img",item[3]) #如果不含有图片，把它加入list中 ifnothaveImg: replaceBR=re.compile('<br/>') text=re.sub(replaceBR,"\n",item[1]) #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()]) returnpageStories #加载并提取页面的内容，加入到列表中 defloadPage(self): #如果当前未看的页数少于2页，则加载新一页 ifself.enable==True: iflen(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 ifpageStories: 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 defgetOneStory(self,pageStories,page): #遍历一页的段子 forstoryinpageStories: #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 ifinput=="Q": self.enable=False return printu"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]) #开始方法 defstart(self): printu"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 whileself.enable: iflen(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 delself.stories[0] #输出该页的段子 self.getOneStory(pageStories,nowPage) spider=QSBK() spider.start()
好啦，大家来测试一下吧，点一下回车会输出一个段子，包括发布人，发布时间，段子内容以及点赞数，是不是感觉爽爆了！
我们第一个爬虫实战项目介绍到这里，欢迎大家继续关注，小伙伴们加油！
以上就是Python爬虫爬取糗事百科段子实例分享的详细内容，更多关于Python爬虫爬取糗事百科段子的资料请关注易盾网络其它相关文章！