Python3爬虫实战一之爬取糗事百科段子

本文介绍了一个使用Python3、requests库和CSV文件存储技术的糗事百科热门段子爬虫项目。爬虫实现了抓取无图段子、按回车逐条展示内容及点赞数,并自动保存至CSV文件。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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 = ('<div class="author clearfix">.*?<a.*?<img.*?>.*?<a href.*?>.*?<h2>(.*?)</h2>.*?<div.*?class="content">.*?<span>(.*?)</span>.*?-->(.*?)<div class="stats.*?class="number">(.*?)</i>')
        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('<br/>')
                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


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值