Python3抓取糗百、不得姐
重要提示1:本文所列程序均基于Python3.6,低于Python3.6的Python版本可能无法运行.
重要提示2:因所抓取的网站可能随时更改展示内容,因此程序也需及时跟进.
重要提示3:本程序仅供学习,不能拿去做坏事.
起步
1.安装Python 3.6;
2.安装以下库:
主要思路
整个程序,按照下面的步骤:
1.获取要爬取页面的URL地址(可以是分页地址,可以在程序里面模拟分页);
2.通过requests(一个封装了urllib3的网络库,简化了很多网络请求的东西)下载上面URL地址的内容到内存(以前的方式是保存临时文件);
3.用BeautifulSoup(一个解析HTML的库)来读取第二步中保存在内存中的内容,并解析出我们要的主要内容部分;
4.保存到数据库或展示(特别说明:本示例程序不包含数据库部分),程序最终会输出多条json数据(已经包含了来源网站(自己定义的),创建时间等)
上述部分体现在代码中,就是如下:
首先在Main.py中,定义:
用来格式化不得姐获取到的数据,下面还要定义一个Qsyk来处理来自糗事百科的数据:
代码中还有一个Kanqu.com的抓取处理,这里就不罗列了,这几个唯一的区别就是:调用common.formatContent时,传递的第二个参数不一样,第二个参数为要抓取的内容(HTML)的class.
CommonGrab中依赖了UserUtils.py中的代码.
下面是CommonGrab的定义,在CommonGrab中主要做了两件事:
- 抓取网页内容,保存到内存;
- 解析HTML内容(使用BeautifulSoup)
- 将数据新增到数据库中.(不新增数据库到数据库中.)
代码如下:
之后就是把上述的几部分组合起来.
运行
运行部分的代码如下,主要就是调用了上述几部分的代码:
源码下载
****:
https://download.****.net/download/dcxy0/9835268
Coding.net:
https://coding.net/u/pruidong/p/Python3GetQsbkBdj/git
文件:
main.py: 运行
UserUtils.py:工具