Python3爬虫实战一之爬取糗事百科段子

参考:静觅 » Python爬虫实战一之爬取糗事百科段子

python3 + requests + csv

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。

4.写入csv文件
# -*- coding:utf-8 -*-
import re
import time
import requests
import sys,os  
import csv

#糗事百科爬虫类
class QSBK:
    #初始化方法,定义一些变量
    def __init__(self):
        self.pageIndex = 1
        self.user_agent = 'Mozilla/5.0 (Unknown; Linux x86_64) AppleWebKit/538.1 (KHTML, like Gecko) PhantomJS/2.1.1 Safari/538.1'
        #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
        #打开csv文件,写入
        self.fobj = open("qsbk-spider.csv","a",newline="")
        self.write_f = csv.writer(self.fobj,)
        self.write_f.writerow(["发布者", "内容", "点赞"])

    #传入某一页的索引获得页面代码
    def getPage(self,pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            #构建请求的request
            pageinfo = requests.get(url,headers = self.headers)
            #将页面转化为UTF-8编码
            return pageinfo.text

        except requests.exceptions.ConnectionError as e:
            print("连接糗事百科失败,错误原因",e)
            return None

    #传入某一页代码,返回本页不带图片的段子列表
    def getPageItems(self,pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print("页面加载失败....")
            return None
        pattern = ('
.*?.*?.*?

(.*?)

.*?.*?(.*?).*?-->(.*?)
(.*?)') items = re.findall(pattern,pageCode,re.S) #用来存储每页的段子们 pageStories = [] #遍历正则表达式匹配的信息 for item in items: #是否含有图片 haveImg = re.search("img",item[2]) #如果不含有图片,把它加入list中 if not haveImg: replaceBR = re.compile('
') text = re.sub(replaceBR,"\n",item[1]) #item[0]是一个段子的发布者,item[1]是内容,item[3]是点赞数 pageStories.append([item[0].strip(),text.strip(),item[3].strip()]) print("加载成功,共%d条" % len(pageStories)) if len(pageStories) == 0: self.enable = False return pageStories #加载并提取页面的内容,加入到列表中 def loadPage(self): #如果当前未看的页数少于2页,则加载新一页 if self.enable == True: if len(self.stories) < 1: #获取新一页 pageStories = self.getPageItems(self.pageIndex) #将该页的段子存放到全局list中 if pageStories: 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 def getOneStory(self,pageStories,page): #遍历一页的段子 for story in pageStories: #等待用户输入 aaa_input = 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 if aaa_input == "Q": self.enable = False return print("第%d页\t发布人:%s\t赞:%s\n%s" %(page,story[0],story[2],story[1])) #print(len(pageStories)) #print(len(self.stories)) def write_csv(self,data): self.write_f.writerows(data) def close_csv(self): self.fobj.close() #开始方法 def start(self): print("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 while self.enable: self.loadPage() if len(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 del self.stories[0] #输出该页的段子 self.getOneStory(pageStories,nowPage) self.write_csv(pageStories) self.close_csv() spider = QSBK() spider.start()
$ python3 qsbk-spider.py
正在读取糗事百科,按回车查看新段子,Q退出
加载成功,共21条

第1页	发布人:li一贝	赞:497
小喜鹊兴奋的来到老喜鹊的床前:“爷爷,我成功入选搭鹊桥大队了。而且是在桥中间的位置,可以最近距离见证牛郎织女的伟大爱情!”
老喜鹊低下头:“孩子,听爷爷的话你不能去!”
小喜鹊:“为什么?”
老喜鹊黯然道:“你知道爷爷为何瘫痪在床吗?你知道你爹为何至今昏迷不醒吗?!”
小喜鹊茫然得摇着头。
老喜鹊抬起头满脸都是泪:“牛郎不是人,憋了一年,桥震起来不管不顾,我跟你爹当年就在桥震中心点。”

第1页	发布人:0巭孬嫑昆0	赞:1862
发现一些人,一旦打电话打得乐在其中,就会特别容易手贱。刚刚有个同事在走廊上和女朋友聊天,聊着聊着,摸玻璃,聊着聊着,扣墙皮,聊着聊着,啪嗒一声把墙上的电闸给拨下来了!没保存的同志们全疯啦

第1页	发布人:不帅但很能干的人	赞:855
周末加班,老板娘带着她五岁的儿子来公司,老板娘让我看一下她儿子,为了让小孩不吵闹,我把手机给他玩。
过了一会,老板娘带着几个同事路过,看儿子在玩游戏,就说: 儿子,你又玩这么暴力的游戏!
他儿子指着我说:  这叔叔手机里的电影才暴力呢,叔叔阿姨打着打着,衣服都没了!
我……
Q

Python3爬虫实战一之爬取糗事百科段子_第1张图片

你可能感兴趣的:(spider,python)