Web爬虫|入门实战之糗事百科（附源码）

coding by real mind writing by genuine heart

解析

任务背景：https://www.qiushibaike.com/hot/

 

窥探网页细节：观察每一页URL的变化

第一页

 

进入第二页

再看看第三页

把这些URL放在一起，观察规律

1 https://www.qiushibaike.com/hot/page/1/
2 https://www.qiushibaike.com/hot/page/2/
3 https://www.qiushibaike.com/hot/page/3/

从图片可以看出，该URL其他地方不变，只有最后的数字会改变，代表页数

推荐使用浏览器Chrome

插件丰富，原生功能设计对爬虫开发者非常友好

分析网页源代码

通过在原来的页面上点击，选择“检查”，观察规律，这里建议当你用elements定位元素之后，就切换到network查看相应的元素，因为elements里面的网页源代码很可能是经过JS加工过的

通过图片，我们发现：每一个笑话内容，都包含在一个<a...class="contentHerf"

...class="content">里面，当然这里的属性不止一个，这里我们选择contentHerf这个属性

思考工具：什么工具最适合解析此种规律？BeautifulSoup

编码

根据第一步的分析，建立初步的代码

 1 import requests
 2 from bs4 import BeautifulSoup
 3 import time
 4 import re
 5
 6 headers = {
 7     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',
 8      #User-Agent可以伪装浏览器，键值为浏览器的引擎信息及版本
 9     'Host':'www.qiushibaike.com',
10     'Cookie':'_ga=GA1.2.2026142502.1558849033; gr_user_id=5d0a35ad-3eb6-4037-9b4d-bbc5e22c9b9f; grwng_uid=9bd612b3-7d0b-4a08-a4e1-1707e33f6995; _qqq_uuid_="2|1:0|10:1617119039|10:_qqq_uuid_|56:NjUxYWRiNDFhZTYxMjk4ZGM3MTgwYjkxMGJjNjViY2ZmZGUyNDdjMw==|fdce75d742741575ef41cd8f540465fb97b5d18891a9abb0849b3a09c530f7ee"; _xsrf=2|6d1ed4a0|7de9818067dac3b8a4e624fdd75fc972|1618129183; Hm_lvt_2670efbdd59c7e3ed3749b458cafaa37=1617119039,1617956477,1618129185; Hm_lpvt_2670efbdd59c7e3ed3749b458cafaa37=1618129185; ff2672c245bd193c6261e9ab2cd35865_gr_session_id=fd4b35b4-86d1-4e79-96f4-45bcbcbb6524; ff2672c245bd193c6261e9ab2cd35865_gr_session_id_fd4b35b4-86d1-4e79-96f4-45bcbcbb6524=true'
11      #Cookie里面保存了你的身份验证信息，可用于cookies反爬
12   }
13
14 for page in range(10):
15   url = f'https://www.qiushibaike.com/hot/page/{page}/'  #f-string函数，{}中填的是变化的内容，也可以使用format函数
16   req = requests.get(url,headers=headers)
17   html = req.text
18
19   soup = BeautifulSoup(html,'lxml')
20   for joke in soup.select('.contentHerf .content span'):
21     if joke.string is not None:
22       joke_data = f'笑话一则:{joke.string.strip()}\n\n'
23       with open('../txt_file/joke.txt','ab') as f:   #以追加二进制的形式写入到文本文件中，这样就不会替换掉原先的内容
24           pattern = re.compile('查看全文',re.S)
25           jok = re.sub(pattern,'这里被替换了，嘻嘻!',joke_data)
26           f.write(jok.encode('utf-8'))
27           time.sleep(1)  #延迟爬取时间

查看爬取内容

上面这张图片被框起来的地方被我用正则表达式替换掉了，这里原来的内容是“查看全文”

代码优化

 1 import requests
 2 from bs4 import BeautifulSoup
 3 import re
 4 import time
 5 from requests.exceptions import RequestException
 6
 7
 8 def get_url_html():
 9   headers = {
10       'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',
11       'Host':'www.qiushibaike.com',
12       'Cookie':'_ga=GA1.2.2026142502.1558849033; gr_user_id=5d0a35ad-3eb6-4037-9b4d-bbc5e22c9b9f; grwng_uid=9bd612b3-7d0b-4a08-a4e1-1707e33f6995; _qqq_uuid_="2|1:0|10:1617119039|10:_qqq_uuid_|56:NjUxYWRiNDFhZTYxMjk4ZGM3MTgwYjkxMGJjNjViY2ZmZGUyNDdjMw==|fdce75d742741575ef41cd8f540465fb97b5d18891a9abb0849b3a09c530f7ee"; _xsrf=2|6d1ed4a0|7de9818067dac3b8a4e624fdd75fc972|1618129183; Hm_lvt_2670efbdd59c7e3ed3749b458cafaa37=1617119039,1617956477,1618129185; Hm_lpvt_2670efbdd59c7e3ed3749b458cafaa37=1618129185; ff2672c245bd193c6261e9ab2cd35865_gr_session_id=fd4b35b4-86d1-4e79-96f4-45bcbcbb6524; ff2672c245bd193c6261e9ab2cd35865_gr_session_id_fd4b35b4-86d1-4e79-96f4-45bcbcbb6524=true'
13
14     }
15
16   try:
17     for page in range(2,5):
18       url = f'https://www.qiushibaike.com/hot/page/{page}/'
19       req = requests.get(url,headers=headers)
20       if req in not None:
21         return req.text
22       else:
23         return None
24   except RequestException:
25     return None
26
27 def main():
28   html = get_url_html()
29   soup = BeautifulSoup(html,'lxml')
30   for joke in soup.select('.contentHerf .content span'):
31     if joke.string is not None:
32       joke_data = f'笑话一则:{joke.string.strip()}\n\n'
33       with open('../txt_file/joke.txt','ab') as f:
34           pattern = re.compile('查看全文',re.S)
35           jok = re.sub(pattern,'这里被替换了，嘻嘻!',joke_data)
36           f.write(joke.encode('utf-8'))
37
38
39
40 if __name__ == '__main__':
41   main()
42   time.sleep(1)

总结

请求库requests及exceptions模块

解析库BeautifulSoup

标准库re

time模块

文本存储

---

定期分享爬虫实战文章 扫码关注个人公众号，带你成为“爬虫大神”or“爬虫工程师”

---

——  ——  ——  ——  —  END  ——  ——  ——  ——  ————

　　　　　　　  欢迎扫码关注我的公众号

　　　　　　　　　　爬神养成记