技術| Python的從零開始系列連載(三十)
首先,糗事百科大家都聽說過吧?糗友們發的搞笑的段子一抓一大把,這次我們嘗試一下用爬蟲把他們抓取下來。
友情提示
糗事百科在前一段時間進行了改版,導致之前的程式碼沒法用了,會導致無法輸出和CPU佔用過高的情況,是因為正則表示式沒有匹配到的緣故。
現在,博主已經對程式進行了重新修改,程式碼親測可用,包括截圖和說明,之前一直在忙所以沒有及時更新,望大家海涵!
糗事百科又又又又改版了,博主已經沒心再去一次次匹配它了,如果大家遇到長時間執行不出結果也不報錯的情況,請大家參考最新的評論,熱心小夥伴提供的正則來修改下吧~
本篇目標
1.抓取糗事百科熱門段子
2.過濾帶有圖片的段子
3.實現每按一次回車顯示一個段子的釋出時間,釋出人,段子內容,點贊數。
糗事百科是不需要登入的,所以也沒必要用到Cookie,另外糗事百科有的段子是附圖的,我們把圖抓下來圖片不便於顯示,那麼我們就嘗試過濾掉有圖的段子吧。
好,現在我們嘗試抓取一下糗事百科的熱門段子吧,每按下一次回車我們顯示一個段子。
1.確定URL並抓取頁面程式碼
首先我們確定好頁面的URL是 http://www.qiushibaike.com/hot/page/1,其中最後一個數字1代表頁數,我們可以傳入不同的值來獲得某一頁的段子內容。
我們初步構建如下的程式碼來列印頁面程式碼內容試試看,先構造最基本的頁面抓取方式,看看會不會成功
# -*- coding:utf-8 -*-
import urllib
import urllib2
page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
try:
request = urllib2.Request(url)
response = urllib2.urlopen(request)
print response.read()
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
執行程式,哦不,它竟然報錯了,真是時運不濟,命途多舛啊
line 373, in _read_status
raise BadStatusLine(line)
httplib.BadStatusLine: ''
好吧,應該是headers驗證的問題,我們加上一個headers驗證試試看吧,將程式碼修改如下
# -*- coding:utf-8 -*-
import urllib
import urllib2
page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
try:
request = urllib2.Request(url,headers = headers)
response = urllib2.urlopen(request)
print response.read()
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
嘿嘿,這次執行終於正常了,打印出了第一頁的HTML程式碼,大家可以執行下程式碼試試看。在這裡執行結果太長就不貼了。
2.提取某一頁的所有段子
好,獲取了HTML程式碼之後,我們開始分析怎樣獲取某一頁的所有段子。
首先我們審查元素看一下,按瀏覽器的F12,截圖如下
我們可以看到,每一個段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的內容。
現在我們想獲取釋出人,釋出日期,段子內容,以及點讚的個數。不過另外注意的是,段子有些是帶圖片的,如果我們想在控制檯顯示圖片是不現實的,所以我們直接把帶有圖片的段子給它剔除掉,只儲存僅含文字的段子。
所以我們加入如下正則表示式來匹配一下,用到的方法是 re.findall 是找尋所有匹配的內容。方法的用法詳情可以看前面說的正則表示式的介紹。
好,我們的正則表示式匹配語句書寫如下,在原來的基礎上追加如下程式碼
content = response.read().decode('utf-8')
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items = re.findall(pattern,content)
for item in items:
print item[0],item[1],item[2],item[3],item[4]
現在正則表示式在這裡稍作說明
1).*? 是一個固定的搭配,.和*代表可以匹配任意無限多個字元,加上?表示使用非貪婪模式進行匹配,也就是我們會盡可能短地做匹配,以後我們還會大量用到 .*? 的搭配。
2)(.*?)代表一個分組,在這個正則表示式中我們匹配了五個分組,在後面的遍歷item中,item[0]就代表第一個(.*?)所指代的內容,item[1]就代表第二個(.*?)所指代的內容,以此類推。
3)re.S 標誌代表在匹配時為點任意匹配模式,點 . 也可以代表換行符。
這樣我們就獲取了釋出人,釋出時間,釋出內容,附加圖片以及點贊數。
在這裡注意一下,我們要獲取的內容如果是帶有圖片,直接輸出出來比較繁瑣,所以這裡我們只獲取不帶圖片的段子就好了。
所以,在這裡我們就需要對帶圖片的段子進行過濾。
我們可以發現,帶有圖片的段子會帶有類似下面的程式碼,而不帶圖片的則沒有,所以,我們的正則表示式的item[3]就是獲取了下面的內容,如果不帶圖片,item[3]獲取的內容便是空。
<div class="thumb">
<a href="/article/112061287?list=hot&s=4794990" target="_blank">
<img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他們依然樂觀">
</a>
</div>
所以我們只需要判斷item[3]中是否含有img標籤就可以了。
好,我們再把上述程式碼中的for迴圈改為下面的樣子
for item in items:
haveImg = re.search("img",item[3])
if not haveImg:
print item[0],item[1],item[2],item[4]
現在,整體的程式碼如下
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
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>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items = re.findall(pattern,content)
for item in items:
haveImg = re.search("img",item[3])
if not haveImg:
print item[0],item[1],item[2],item[4]
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
執行一下看下效果
恩,帶有圖片的段子已經被剔除啦。是不是很開森?
3.完善互動,設計面向物件模式
好啦,現在最核心的部分我們已經完成啦,剩下的就是修一下邊邊角角的東西,我們想達到的目的是:
按下回車,讀取一個段子,顯示出段子的釋出人,釋出日期,內容以及點贊個數。
另外我們需要設計面向物件模式,引入類和方法,將程式碼做一下優化和封裝,最後,我們的程式碼如下所示
__author__ = 'CQC'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
#糗事百科爬蟲類
class QSBK:
#初始化方法,定義一些變數
def __init__(self):
self.pageIndex = 1
self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
#初始化headers
self.headers = { 'User-Agent' : self.user_agent }
#存放段子的變數,每一個元素是每一頁的段子們
self.stories = []
#存放程式是否繼續執行的變數
self.enable = False
#傳入某一頁的索引獲得頁面程式碼
def getPage(self,pageIndex):
try:
url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
#構建請求的request
request = urllib2.Request(url,headers = self.headers)
#利用urlopen獲取頁面程式碼
response = urllib2.urlopen(request)
#將頁面轉化為UTF-8編碼
pageCode = response.read().decode('utf-8')
return pageCode
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"連線糗事百科失敗,錯誤原因",e.reason
return None
#傳入某一頁程式碼,返回本頁不帶圖片的段子列表
def getPageItems(self,pageIndex):
pageCode = self.getPage(pageIndex)
if not pageCode:
print "頁面載入失敗...."
return None
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items = re.findall(pattern,pageCode)
#用來儲存每頁的段子們
pageStories = []
#遍歷正則表示式匹配的資訊
for item in items:
#是否含有圖片
haveImg = re.search("img",item[3])
#如果不含有圖片,把它加入list中
if not haveImg:
replaceBR = re.compile('<br/>')
text = re.sub(replaceBR,"\n",item[1])
#item[0]是一個段子的釋出者,item[1]是內容,item[2]是釋出時間,item[4]是點贊數
pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])
return pageStories
#載入並提取頁面的內容,加入到列表中
def loadPage(self):
#如果當前未看的頁數少於2頁,則載入新一頁
if self.enable == True:
if len(self.stories) < 2:
#獲取新一頁
pageStories = self.getPageItems(self.pageIndex)
#將該頁的段子存放到全域性list中
if pageStories:
self.stories.append(pageStories)
#獲取完之後頁碼索引加一,表示下次讀取下一頁
self.pageIndex += 1
#呼叫該方法,每次敲回車列印輸出一個段子
def getOneStory(self,pageStories,page):
#遍歷一頁的段子
for story in pageStories:
#等待使用者輸入
input = raw_input()
#每當輸入回車一次,判斷一下是否要載入新頁面
self.loadPage()
#如果輸入Q則程式結束
if input == "Q":
self.enable = False
return
print u"第%d頁\t釋出人:%s\t釋出時間:%s\t贊:%s\n%s" %(page,story[0],story[2],story[3],story[1])
#開始方法
def start(self):
print u"正在讀取糗事百科,按回車檢視新段子,Q退出"
#使變數為True,程式可以正常執行
self.enable = True
#先載入一頁內容
self.loadPage()
#區域性變數,控制當前讀到了第幾頁
nowPage = 0
while self.enable:
if len(self.stories)>0:
#從全域性list中獲取一頁的段子
pageStories = self.stories[0]
#當前讀到的頁數加一
nowPage += 1
#將全域性list中第一個元素刪除,因為已經取出
del self.stories[0]
#輸出該頁的段子
self.getOneStory(pageStories,nowPage)
spider = QSBK()
spider.start()
好啦,大家來測試一下吧,點一下回車會輸出一個段子,包括髮布人,釋出時間,段子內容以及點贊數,是不是感覺爽爆了!
原文釋出時間為:2018-11-23