文档介绍:精品文档,仅供学****与交流,如有侵权请联系网站删除
【精品文档】第 1 页
Python爬虫实战
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
,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。
首先我们确定好页面的URL是 ,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
精品文档,仅供学****与交流,如有侵权请联系网站删除
【精品文档】第 2 页
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# -*- coding:utf-8 -*-
import urllib
import urllib2
 
 
page = 1
url = '/' + str(page)
try:
    request = (url)
    response = (request)
    print ()
except , e:
    if hasattr(e,"code"):
        print
    if hasattr(e,"reason"):
        print
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
 raise BadStatusLine(line)
: ''
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
13
14
15
16
17
# -*- coding:utf-8 -*-
import urllib
import urllib2
 
page = 1
url = '/' + str(page)
user_agent = 'Mozilla/ (compatible; MSIE ; Windows NT)'
headers = { 'User-Agent' : user_agent }
try:
    request = (url,headers = headers)
    response = (request)
    print ()
except , e:
    if hasattr(e,"code"):
        print
    if hasattr(e,"reason"):
        print
精品文档,仅供学****与交流,如有侵权请联系网站删除
【精品文档】第 3 页
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。
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