python3制作捧腹网段子页爬虫


Posted in Python onFebruary 12, 2017

0x01

春节闲着没事(是有多闲),就写了个简单的程序,来爬点笑话看,顺带记录下写程序的过程。第一次接触爬虫是看了这么一个帖子,一个逗逼,爬取煎蛋网上妹子的照片,简直不要太方便。于是乎就自己照猫画虎,抓了点图片。

科技启迪未来,身为一个程序员,怎么能干这种事呢,还是爬点笑话比较有益于身心健康。

python3制作捧腹网段子页爬虫

0x02

在我们撸起袖子开始搞之前,先来普及点理论知识。

简单地说,我们要把网页上特定位置的内容,扒拉下来,具体怎么扒拉,我们得先分析这个网页,看那块内容是我们需要的。比如,这次爬取的是捧腹网上的笑话,打开 捧腹网段子页我们可以看到一大堆笑话,我们的目的就是获取这些内容。看完回来冷静一下,你这样一直笑,我们没办法写代码。在 chrome 中,我们打开 审查元素 然后一级一级的展开 HTML 标签,或者点击那个小鼠标,定位我们所需要的元素。

python3制作捧腹网段子页爬虫

最后可以发现 <div> 中的内容就是我们所需要的笑话,在看第二条笑话,也是这样。于是乎,我们就可以把这个网页中所有的 <div> 找到,然后把里边的内容提取出来,就完成了。

0x03

好了,现在我们知道我们的目的了,就可以撸起袖子开始干了。这里我用的 python3,关于 python2 和 python3 的选用,大家可以自行决定,功能都可以实现,只是有些许不同。但还是建议用 python3。
我们要扒拉下我们需要的内容,首先我们得把这个网页扒拉下来,怎么扒拉呢,这里我们要用到一个库,叫 urllib,我们用这个库提供的方法,来获取整个网页。
首先,我们导入 urllib

 import urllib.request as request

然后,我们就可以使用 request 来获取网页了,

def getHTML(url): 

return request.urlopen(url).read()

人生苦短,我用 python,一行代码,下载网页,你说,还有什么理由不用 python。
下载完网页后,我们就得解析这个网页了来获取我们所需要的元素。为了解析元素,我们需要使用另外一个工具,叫做 Beautiful Soup,使用它,可以快速解析 HTML 和 XML并获取我们所需要的元素。

soup = BeautifulSoup(getHTML("http://www.pengfu.com/xiaohua_1.html"))

用 BeautifulSoup 来解析网页也就一句话,但当你运行代码的时候,会出现这么一个警告,提示要指定一个解析器,不然,可能会在其他平台或者系统上报错。

/Library/Frameworks/Python.framework/Versions/3.5/lib/python3.5/site-packages/bs4/__init__.py:181: UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this system ("lxml"). This usually isn't a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently.
The code that caused this warning is on line 64 of the file joke.py. To get rid of this warning, change code that looks like this:
 BeautifulSoup([your markup])
to this:
 BeautifulSoup([your markup], "lxml")
  markup_type=markup_type))

解析器的种类 和 不同解析器之间的区别 官方文档有详细的说明,目前来说,还是用 lxml 解析比较靠谱。
修改之后

soup = BeautifulSoup(getHTML("http://www.pengfu.com/xiaohua_1.html", 'lxml'))

这样,就没有上述警告了。

div_array = soup.find_all('div', {'class':"content-img clearfix pt10 relative"})

利用 find_all 函数,来找到所有 class = content-img clearfix pt10 relative 的 div 标签 然后遍历这个数组

for x in div_array: content = x.string

这样,我们就取到了目的 div 的内容。至此,我们已经达到了我们的目的,爬到了我们的笑话。
但当以同样的方式去爬取糗百的时候,会报这样一个错误

raise RemoteDisconnected("Remote end closed connection without" http.client.RemoteDisconnected: Remote end closed connection without response

说远端无响应,关闭了链接,看了下网络也没有问题,这是什么情况导致的呢?莫非是我姿势不对?
打开 charles 抓包,果然也没反应。唉,这就奇怪了,好好的一个网站,怎么浏览器可以访问,python 无法访问呢,是不是 UA 的问题呢?看了下 charles,发现,利用 urllib 发起的请求,UA 默认是 Python-urllib/3.5 而在 chrome 中访问 UA 则是 User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36,那会不会是因为服务器根据 UA 来判断拒绝了 python 爬虫。我们来伪装下试试看行不行

def getHTML(url):

    headers = {'User-Agent': 'User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}

    req = request.Request(url, headers=headers)

    return request.urlopen(req).read()

这样就把 python 伪装成 chrome 去获取糗百的网页,可以顺利的得到数据。

至此,利用 python 爬取糗百和捧腹网的笑话已经结束,我们只需要分析相应的网页,找到我们感兴趣的元素,利用 python 强大的功能,就可以达到我们的目的,不管是 XXOO 的图,还是内涵段子,都可以一键搞定,不说了,我去找点妹子图看看。

# -*- coding: utf-8 -*-
import sys
import urllib.request as request
from bs4 import BeautifulSoup

def getHTML(url):
  headers = {'User-Agent': 'User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}
  req = request.Request(url, headers=headers)
  return request.urlopen(req).read()

def get_pengfu_results(url):
  soup = BeautifulSoup(getHTML(url), 'lxml')
  return soup.find_all('div', {'class':"content-img clearfix pt10 relative"})

def get_pengfu_joke():
  for x in range(1, 2):
    url = 'http://www.pengfu.com/xiaohua_%d.html' % x
    for x in get_pengfu_results(url):
      content = x.string
      try:
        string = content.lstrip()
        print(string + '\n\n')
      except:
        continue
  return

def get_qiubai_results(url):
  soup = BeautifulSoup(getHTML(url), 'lxml')
  contents = soup.find_all('div', {'class':'content'})
  restlus = []
  for x in contents:
    str = x.find('span').getText('\n','<br/>')
    restlus.append(str)
  return restlus

def get_qiubai_joke():
  for x in range(1, 2):
    url = 'http://www.qiushibaike.com/8hr/page/%d/?s=4952526' % x
    for x in get_qiubai_results(url):
      print(x + '\n\n')
  return

if __name__ == '__main__':
  get_pengfu_joke()
  get_qiubai_joke()
Python 相关文章推荐
Python3写入文件常用方法实例分析
May 22 Python
15行Python代码带你轻松理解令牌桶算法
Mar 21 Python
解决Matplotlib图表不能在Pycharm中显示的问题
May 24 Python
Python 从列表中取值和取索引的方法
Dec 25 Python
python实现字符串加密成纯数字
Mar 19 Python
Python后台开发Django会话控制的实现
Apr 15 Python
Python3.6中Twisted模块安装的问题与解决
Apr 15 Python
Python识别快递条形码及Tesseract-OCR使用详解
Jul 15 Python
django model object序列化实例
Mar 13 Python
PyCharm2019 安装和配置教程详解附激活码
Jul 31 Python
Python数据分析之pandas读取数据
Jun 02 Python
基于Pygame实现简单的贪吃蛇游戏
Dec 06 Python
python日志记录模块实例及改进
Feb 12 #Python
Windows下Python2与Python3两个版本共存的方法详解
Feb 12 #Python
使用Python绘制图表大全总结
Feb 11 #Python
Python 绘图和可视化详细介绍
Feb 11 #Python
Python实现多线程HTTP下载器示例
Feb 11 #Python
Python  pip安装lxml出错的问题解决办法
Feb 10 #Python
使用Python脚本和ADB命令实现卸载App
Feb 10 #Python
You might like
PHP实现的简单日历类
2014/11/29 PHP
php执行多个存储过程的方法【基于thinkPHP】
2016/11/08 PHP
在 Laravel 项目中使用 webpack-encore的方法
2019/07/21 PHP
jquery Firefox3.5中操作select的问题
2009/07/10 Javascript
jquery随意添加移除html的实现代码
2011/06/21 Javascript
jQuery-Easyui 1.2 实现多层菜单效果的代码
2012/01/13 Javascript
Javascript判断对象是否相等实现代码
2013/03/18 Javascript
禁止ajax缓存获取程序最新数据的方法
2013/11/19 Javascript
png在IE6 下无法透明的解决方法汇总
2015/05/21 Javascript
简单谈谈javascript Date类型
2015/09/06 Javascript
Javascript验证方法大全
2015/09/21 Javascript
javascript汉字拼音互转的简单实例
2016/10/09 Javascript
理解 javascript 中的函数表达式与函数声明
2017/07/07 Javascript
快速了解vue-cli 3.0 新特性
2018/02/28 Javascript
vue项目部署上线遇到的问题及解决方法
2018/06/10 Javascript
Angular Material Icon使用详解
2018/11/07 Javascript
jQuery弹框插件使用方法详解
2020/05/26 jQuery
JSON 入门教程基础篇 json入门学习笔记
2020/09/22 Javascript
Python Mysql数据库操作 Perl操作Mysql数据库
2009/01/12 Python
Python入门篇之数字
2014/10/20 Python
Python中.join()和os.path.join()两个函数的用法详解
2018/06/11 Python
浅析Python 3 字符串中的 STR 和 Bytes 有什么区别
2018/10/14 Python
Django 重写用户模型的实现
2019/07/29 Python
使用python实现希尔、计数、基数基础排序的代码
2019/12/25 Python
jenkins+python自动化测试持续集成教程
2020/05/12 Python
Python接口自动化测试框架运行原理及流程
2020/11/30 Python
基于html5绘制圆形多角图案
2016/04/21 HTML / CSS
工程造价专业大学生自荐信
2013/10/01 职场文书
团员的自我评价
2013/12/01 职场文书
体育教育毕业生自荐信
2014/06/29 职场文书
个人剖析材料及整改措施
2014/10/07 职场文书
教师党员自我评价范文
2015/03/04 职场文书
新闻简讯格式及范文
2015/07/22 职场文书
护士年终工作总结不会写?各科护士模板总结
2020/01/02 职场文书
Java常用工具类汇总 附示例代码
2021/06/26 Java/Android
canvas 中如何实现物体的框选
2022/08/05 Javascript