python3.6.5 爬取糗事百科,開心一下
最近學習requests和lxml的用法。總想找個小專案來練練手,想了想,就爬個糗事百科來練習一下吧。
主要待實現以下功能:
1. 每按回車,就顯示一條糗百,開心一下.
2. 輸入open再回車,則用預設瀏覽器開啟當前這條糗百
3. 輸入q再回車,退出小程式
4. 如輸入的是數字,則代表只有>=輸入數字點贊數的內容才能顯示
5. 過濾掉image/video,只顯示純text的糗事
6. 顯示的形式為:當前序號/內容/使用者投票資訊/當前糗百的Link
主要使用的第三方庫為requests+lxml
當前code並未做異常處理,如在網路不通或不暢應該會出現異常報錯退出,有興趣的同學請自行完善。
總思路分為以下幾個部分:
1. 初始化首頁的內容(糗百部分)
2. 獲取非首頁的內容
3. 總獲取的內容中獲取一條糗百資訊用於顯示.
用的第三方庫為requests + lxml,安裝方法:
pip install requests
主要待實現以下功能:
1. 每按回車,就顯示一條糗百,開心一下.
2. 輸入open再回車,則用預設瀏覽器開啟當前這條糗百
3. 輸入q再回車,退出小程式
4. 如輸入的是數字,則代表只有>=輸入數字點贊數的內容才能顯示
5. 過濾掉image/video,只顯示純text的糗事
6. 顯示的形式為:當前序號/內容/使用者投票資訊/當前糗百的Link
主要使用的第三方庫為requests+lxml
當前code並未做異常處理,如在網路不通或不暢應該會出現異常報錯退出,有興趣的同學請自行完善。
總思路分為以下幾個部分:
1. 初始化首頁的內容(糗百部分)
2. 獲取非首頁的內容
3. 總獲取的內容中獲取一條糗百資訊用於顯示.
用的第三方庫為requests + lxml,安裝方法:
pip install requests
pip install lxml
話不多說,上code吧.
#!/user/bin/env python3
#-*- coding:utf-8 -*-
'''
主要待實現以下功能:
1. 每按回車,就顯示一條糗百,開心一下.
2. 輸入open再回車,則用預設瀏覽器開啟當前這條糗百
3. 輸入q再回車,退出小程式
4. 如輸入的是數字,則代表只有>=輸入數字點贊數的內容才能顯示
5. 過濾掉image/video,只顯示純text的糗事
6. 顯示的形式為:當前序號/內容/使用者投票資訊/當前糗百的Link
主要使用的第三方庫為requests+lxml+xpath
當前code並未做異常處理,如在網路不通或不暢應該會出現異常報錯退出,有興趣的同學請自行完善。
'''
from lxml import etree
from time import sleep
import requests
import os
import webbrowser
class SpideQSBK:
def __init__(self):
self.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36'}
# 糗事百科頁碼
self.pagenum = 2
# 用於記錄當前處於datalist中的位置
self.curdatalistId = 0
# 最低點贊數(顯示的內容由最低點贊數約束,default=0)
self.mininumOfZan = 0
# 糗事內容儲存在datalist中
self.datalist = self.initQSData()
def saveQbrec2Txt(self, qbrecordlist, file):
for item in range(len(qbrecordlist)):
if item >= len(qbrecordlist)-2:
file.write('\n')
file.write(qbrecordlist[item].replace('\n', ''))
file.write('\n\n')
# 初始化資料,獲取首頁的資料
def initQSData(self):
# 首頁的url
url = 'https://www.qiushibaike.com'
# 獲取首頁的資料
initdatalist = self.getPageData(url)
return initdatalist
# 過濾指定url頁面的資料
def getPageData(self, url):
# 用來儲存頁面的資料
pageDataList = []
r = requests.get(url, headers = self.headers).text
html = etree.HTML(r)
# 當前頁面糗百的數目.
pageTotalQiubaiNum = len(html.xpath('//div[@id="content-left"]/child::*'))
# 當前糗百的投票資訊
voteinfo = []
# 將頁面資料經過濾後來後pageDataList中
for i in range(1, pageTotalQiubaiNum):
filterpre = '//div[@id="content-left"]/div[' + str(i) + ']'
findfilter = filterpre + '/a/div[@class="content"]/span/text()'
qiushibaikecontent = html.xpath(findfilter)
# 當前糗百的subpage
href = html.xpath(filterpre + '/a[@class="contentHerf"]/@href')[0]
# 投票情況數(點贊數)
voteinfo = html.xpath(filterpre + '//span[@class="stats-vote"]/i[@class="number"]/text()')
# 過濾掉點贊數不符合要求的記錄
if int(voteinfo[0]) < self.mininumOfZan:
continue
# 投票情況數(評論數)
discussNum = html.xpath(filterpre + '//span[@class="stats-comments"]//i[@class="number"]/text()')
# 將兩個list合併
voteinfo.extend(discussNum)
voteinfo.insert(0, '點贊: ')
voteinfo.insert(2, ' 評論: ')
# 將list轉化為字串
voteinfostr = ''.join(voteinfo)
# 判斷當前糗百是否顯示不全(如果有檢視全文欄位則是顯示不全)
isExistViewFulltext = html.xpath(filterpre + '//span[@class="contentForAll"]')
# 判斷當前糗百是否存在圖片
isExistImg = html.xpath(filterpre + '//img[@class="illustration"]')
# 判斷當前糗百是否存在video
isExistVideo = html.xpath(filterpre + '//video')
# 過濾掉帶image和video的糗百
if len(isExistImg) == 1 or len(isExistVideo) == 1:
continue
# 如當前糗百顯示不全(有檢視全文欄位),測需要單獨開啟這首糗百來獲取完整的糗百內容
urlpre = 'https://www.qiushibaike.com'
if len(isExistViewFulltext) != 1:
qiushibaikecontent.append(voteinfostr)
qiushibaikecontent.append(urlpre + href)
pageDataList.append(qiushibaikecontent)
else:
newUrl = urlpre + href
newr = requests.get(newUrl, headers = self.headers).text
newHtml = etree.HTML(newr)
newqiushicontent = newHtml.xpath('//div[@class="content"]/text()')
newqiushicontent.append(voteinfostr)
newqiushicontent.append(newUrl)
pageDataList.append(newqiushicontent)
return pageDataList
# 載入非首頁的資料,pagenum為列表的頁碼
def getNextpageData(self, pageNum):
url = 'https://www.qiushibaike.com/8hr/page/' + str(pageNum)
nextdatalist = self.getPageData(url)
return nextdatalist
# 獲取一個糗百資料
def getOneHappy(self):
# 先大第一頁開始讀記錄,如讀完了就獲取下一頁的資料記錄.
datalistlen = len(self.datalist)-1
# 如果序號要找到,就返回資料,如找不到,則再載入一個頁面的資料
if self.curdatalistId <= datalistlen:
data = self.datalist[self.curdatalistId]
# 獲取資料後將當前item設定為空,以後佔太多的記憶體空間
self.curdatalistId = self.curdatalistId + 1
return data
else:
# 將新頁面的資料直接加在之前的資料後面
self.datalist.clear()
self.datalist = self.getNextpageData(self.pagenum)
self.pagenum = self.pagenum + 1
timer = 0
while len(self.datalist) == 0:
# 為防止要求的點贊數太高一直查詢不到而不斷的迴圈
if timer >= 10:
self.mininumOfZan = 0
return ['伺服器無響應! 點贊數限制恢復為0, 這是Server端開的一個玩笑,是不是很好笑, 我都忍不住笑出了聲, 哇哈哈哈*_*!']
timer = timer + 1
sleep(0.8)
print(f'正在查詢資料,第{timer}次... ...')
self.datalist = self.getNextpageData(self.pagenum)
self.pagenum = self.pagenum + 1
self.curdatalistId = 0
return self.datalist[self.curdatalistId]
# 開始嗨皮一下了
def startHappy(self):
print('是時候嗨皮一下了(資料from糗事百科)!!!')
print('Enter:接著嗨皮, q:退出, open:用瀏覽器檢視, 輸入數字:設定最低點贊數!')
recordId = 2
# 直接輸出第一條糗百
happycontent = self.getOneHappy()
precontent = happycontent
print(f'\n\n第1條:\n')
for item in range(len(happycontent)):
if item == len(happycontent)-2:
print('\n')
print(happycontent[item].replace('\n', ''))
while True:
openurl = happycontent[-1].strip()
enter = input().strip().lower()
if enter == 'q':
break
elif enter == 'open':
webbrowser.open(openurl)
else:
if enter.isdigit() == True:
self.mininumOfZan = int(enter)
self.datalist = self.initQSData()
os.system('cls')
print('是時候嗨皮一下了(資料from糗事百科)!!!')
print('Enter:接著嗨皮, q:退出, open:用瀏覽器檢視, 輸入數字:設定最低點贊數!')
happycontent = self.getOneHappy()
# 有時happycontent會無故為空,如為空,則自動獲取下一條,直到不為空為止
while(len(happycontent) == 0):
happycontent = self.getOneHappy()
# while(cmp(happycontent, precontent) == 0):
# happycontent = self.getOneHappy()
precontent = happycontent
print('\n')
print(f'第{recordId}條:\n')
for item in range(len(happycontent)):
if item == len(happycontent)-2:
print('\n')
print(happycontent[item].replace('\n', ''))
recordId = recordId + 1
if __name__ == '__main__':
kaixin = SpideQSBK()
kaixin.startHappy()
此code在後期可能為做一定的修改,如要獲取最新code,請關注以下github:
https://github.com/vitamincqb/Toolset 下的:Happy_moment pro.py
相關文章
- python爬取糗事百科Python
- python爬蟲爬取糗事百科Python爬蟲
- Python爬取糗事百科段子Python
- 網路爬蟲——爬取糗事百科笑料段子爬蟲
- python爬蟲十二:middlewares的使用,爬取糗事百科Python爬蟲
- 網路爬蟲——專案實戰(爬取糗事百科所有文章)爬蟲
- python多執行緒爬去糗事百科Python執行緒
- python爬蟲學習(1)-抓取糗事百科笑話Python爬蟲
- 糗事百科案例(使用 xpath模組)
- [外掛擴充套件]糗事百科QiuBa套件
- Python資料分析之糗事百科Python
- 仿的一個笑話網站 糗事百科網站
- 使用python爬取百度百科Python
- 使用webmagic爬蟲對百度百科進行簡單的爬取Web爬蟲
- 寫點程式碼開心一下
- 仿糗事百科笑話系統原始碼,PHP笑話系統原始碼原始碼PHP
- 爬蟲爬取資料如何繞開限制?爬蟲
- 學一下貪心演算法-學一下貪心演算法演算法
- Python一鍵爬取你所關心的書籍資訊Python
- 雅虎開源 Web 爬取工具 AnthelionWeb
- 房產資料爬取、智慧財產權資料爬取、企業工商資料爬取、抖音直播間資料python爬蟲爬取Python爬蟲
- 爬蟲爬取微信小程式爬蟲微信小程式
- 爬蟲之股票定向爬取爬蟲
- Java爬蟲批量爬取圖片Java爬蟲
- 如何合理控制爬蟲爬取速度?爬蟲
- Java爬蟲-爬取疫苗批次資訊Java爬蟲
- 爬蟲搭建代理池、爬取某網站影片案例、爬取新聞案例爬蟲網站
- Python爬取雙色球,媽媽再也不會擔心我不會中獎了Python
- python 爬蟲 爬取 learnku 精華文章Python爬蟲
- python爬蟲——爬取大學排名資訊Python爬蟲
- node:爬蟲爬取網頁圖片爬蟲網頁
- 提高爬蟲爬取效率的辦法爬蟲
- 爬蟲---xpath解析(爬取美女圖片)爬蟲
- PHP 爬蟲爬取社群文章內容PHP爬蟲
- 爬取有道翻譯
- 爬取網頁文章網頁
- 爬取高考資料
- 分析一下點評網的反爬