1.导入模块
import urllib.request
from bs4 import BeautifulSoup
2.添加头文件,防止爬取过程被拒绝链接
def qiuShi(url,page):
################### 模拟成高仿度浏览器的行为 ##############
# 设置多个头文件参数,模拟成高仿度浏览器去爬取网页
heads ={
'Connection':'keep-alive',
'Accept-Language':'zh-CN,zh;q=0.9',
'Accept':'text/html,application/xhtml+xml,application/xml;
q=0.9,image/webp,image/apng,*/*;q=0.8',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36
(KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
}
headall = []
for key,value in heads.items():
items = (key,value)
# 将多个头文件参数一个一个添加到headall列表中
headall.append(items)
# print(headall)
# print('测试1--')
# 创建opener对象
opener = urllib.request.build_opener()
# 添加头文件到opener对象
opener.addheaders = headall
# 将opener对象设置成全局模式
urllib.request.install_opener(opener)
# 爬取网页并读取数据到data
data = opener.open(url).read().decode()
# data1 = urllib.request.urlopen(url).read().decode('utf-8')
# print(data1)
# print('测试2--')
################## end ########################################
3.创建soup解析器对象
soup = BeautifulSoup(data,'lxml')
x = 0
4.开始使用BeautifulSoup4解析器提取用户名信息
############### 获取用户名 ########################
name = []
# 使用bs4解析器提取用户名
unames = soup.find_all('h2')
# print('测试3--',unames)
for uname in unames:
# print(uname.get_text(),'第',page,'-',str(x)+'用户名:',end='')
# 将用户名一个一个添加到name列表中
name.append(uname.get_text())
# print(name)
# print('测试4--')
#################end#############################
5.提取发表的内容信息
cont = []
data4 = soup.find_all('div',class_='content')
# print(data4)
# 记住二次筛选一点要转换成字符串形式,否则报错
data4 = str(data4)
# 使用bs4解析器提取内容
soup3 = BeautifulSoup(data4,'lxml')
contents = soup3.find_all('span')
for content in contents:
# print('第',x,'篇糗事的内容:',content.get_text())
# 将内容一个一个添加到cont列表中
cont.append(content.get_text())
# print(cont)
# print('测试5--')
##############end####################################
**6.提取搞笑指数**
#################搞笑指数##########################
happy = []
# 获取搞笑指数
# 第一次筛选
data2 = soup.find_all('span',class_="stats-vote")
# 获取搞笑指数
# 第二次筛选
data2 = str(data2) # 将列表转换成字符串形式才可以使用
# print(data2)
# print('测试6--')
soup1 = BeautifulSoup(data2,'lxml')
happynumbers = soup1.find_all('i',class_="number")
for happynumber in happynumbers:
# print(happynumber.get_text())
# 将将搞笑数一个一个添加到happy列表中
happy.append(happynumber.get_text())
# print(happy)
# print('测试7--')
##################end#############################
如果你跟我一样都喜欢python,想成为一名优秀的程序员,也在学习python的道路上奔跑,欢迎你加入python学习群:python群号:491308659 验证码:南烛
群内每天都会分享最新业内资料,分享python免费课程,共同交流学习,让学习变(编)成(程)一种习惯!
7.提取评论数
############## 评论数 ############################
comm = []
data3 = soup.find_all('a',class_='qiushi_comments')
data3 = str(data3)
# print(data3)
soup2 = BeautifulSoup(data3,'lxml')
comments = soup2.find_all('i',class_="number")
for comment in comments:
# print(comment.get_text())
# 将评论数一个一个添加到comm列表中
comm.append(comment.get_text())
############end#####################################
8.使用正则表达式提取性别和年龄
######## 获取性别和年龄 ##########################
# 使用正则表达式匹配性别和年龄
pattern1 = '(d*?)'
sexages = re.compile(pattern1).findall(data)
# print(sexages)
9.设置用户所有信息输出的格局设置
################## 批量输出用户的所以个人信息 #################
print()
for sexage in sexages:
sa = sexage
print('*'*17, '=_= 第', page, '页-第', str(x+1) + '个用户 =_= ','*'*17)
# 输出用户名
print('【用户名】:',name[x],end='')
# 输出性别和年龄
print('【性别】:',sa[0],' 【年龄】:',sa[1])
# 输出内容
print('【内容】:',cont[x])
# 输出搞笑数和评论数
print('【搞笑指数】:',happy[x],' 【评论数】:',comm[x])
print('*'*25,' 三八分割线 ','*'*25)
x += 1
###################end##########################
10.设置循环遍历爬取13页的用户信息
for i in range(1,14):
# 糗事百科的网址
url = 'https://www.qiushibaike.com/8hr/page/'+str(i)+'/'
qiuShi(url,i)