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根底知识了，下面我们做几个实战工程来挑战一下吧。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。
除了python还有什么可以爬虫
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，先构造最根本的页面抓取方式，看看会不会成功
1
2 3 4 5 6 7 8 9 # -*- coding:utf-8 -*-importurllib importurllib2
10
11
12
13
14
15
16 page =1
url ='.qiushibaike./hot/page/'+str(page) try:
request =urllib2.Request(url)
response =urllib2.urlopen(request)
ifhasattr(e,"code"):
ifhasattr(e,"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 line 373, in_read_status raiseBadStatusLine(line) lib.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 # -*- coding:utf-8 -*-importurllib
importurllib2
page =1
url ='.qiushibaike./hot/page/'+str(page)
13
14
15
16
17 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)
excepturllib2.URLError, e:
ifhasattr(e,"code"):
ifhasattr(e,"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，我们开场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，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。
所以我们参加如下正那么表达式来匹配一下，用到的方法是re.findall 是寻所有匹配的容。方法的用法详情可以看前面说的正那么表达式的介绍。
好，我们的正那么表达式匹配语句书写如下，在原来的根底上追加如下代码
1 2 3 4 5 6 content =ad().decode('utf-8')
pattern =re.pile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
'="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i> items =re.findall(pattern,content)
foritem initems:
printitem[0],item[1],item[2],item[3],item[4]
现在正那么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展匹配，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，在这个正那么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(.*?)所指代的容，item[1]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局部运行结果
儒雅男神2015-02-17 14:34:42
小时候一个一个拆着放的举个爪…
<div class=〞thumb〞>
<a href=〞/article/100705418?list=hot&s=4747301″target=〞_blank〞onclick=〞
_hmt.push([‘_trackEvent’, ‘post’, ‘click’, ‘signlePost’])〞>
<img src=〞pic.qiushibaike./system/pictures/10070/100705418/medium/app100705418.jpg〞alt=〞糗事#100705418″ />
</a>
</div>
7093
奇怪的名字啊2015-02-17 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安康…….
4803

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。