python3 爬虫之爬取糗事百科

发布时间：2019-09-26 07:31:15编辑：auto阅读（1818）

    闲着没事爬个糗事百科的笑话看看


    python3中用urllib.request.urlopen()打开糗事百科链接会提示以下错误

    http.client.RemoteDisconnected: Remote end closed connection without response

    但是打开别的链接就正常，很奇怪不知道为什么，没办法改用第三方模块requests，也可以用urllib3模块，还有一个第三方模块就是bs4(beautifulsoup4)


    最后经过不懈努力，终于找到了为什么，原因就是没有添加headers，需要添加headers，让网站认为是从浏览器发起的请求，这样就不会报错了。

    import urllib.request

url = 'http://www.qiushibaike.com/8hr/page/5/'
 
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = {'User-agent':user_agent}

request = urllib.request.Request(url,headers=headers)
html = urllib.request.urlopen(request)
print(html.read().decode())


    requests模块安装和使用，这里就不说了

    附上官方链接：http://docs.python-requests.org/en/master/

    中文文档：http://cn.python-requests.org/zh_CN/latest/

    >>> r = requests.get('https://api.github.com/user', auth=('user', 'pass'))
>>> r.status_code
200
>>> r.headers['content-type']
'application/json; charset=utf8'
>>> r.encoding
'utf-8'
>>> r.text
u'{"type":"User"...'
>>> r.json()
{u'private_gists': 419, u'total_private_repos': 77, ...}


    urllib3模块安装和使用，这里也不说了

    附上官方链接：https://urllib3.readthedocs.io/en/latest/

    >>> import urllib3
>>> http = urllib3.PoolManager()
>>> r = http.request('GET', 'http://httpbin.org/robots.txt')
>>> r.status
200
>>> r.data
'User-agent: *\nDisallow: /deny\n'


    bs4模块安装和使用

    附上官方链接：https://www.crummy.com/software/BeautifulSoup/


    好了，上面三个模块有兴趣的可以自己研究学习下，以下是代码:

    爬取糗事百科的段子和图片

    import requests
import urllib.request
import re

def get_html(url):
    page = requests.get(url)
    return page.text

def get_text(html,file):
    textre = re.compile(r'content">\n*<span>(.*)</span>')
    textlist = re.findall(textre,html)
    num = 0
    txt = []
    for i in textlist:
        num += 1
        txt.append(str(num)+'.'+i+'\n'*2)
    with open(file,'w',encoding='utf-8') as f:
        f.writelines(txt)

def get_img(html):
    imgre = re.compile(r'<img src="(.*\.JPEG)" alt=',re.IGNORECASE)
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        x += 1
        urllib.request.urlretrieve(imgurl, '%s.jpg' % x)

html = get_html("http://www.qiushibaike.com/8hr/page/2/")

get_text(html,'a.txt')
get_img(html)

    很简单，欢迎大家吐槽，有兴趣的可以加群一块学习（219636001）

关键字：

上一篇： python3 把字符串 (str) \

下一篇： 跟着Alex学习python