python
爬虫项目实战： 爬取糗事百科用户的所有信息，包括用户名、性别、年龄、
内容等等。 10个步骤实现项目功能，下面开始实例讲解： 1.导入模块 import re import urllib.request from bs4 import BeautifulSoup 2.添加头文件，防止爬取过程被拒绝链接 def qiuShi(url,page): ################### 模拟成高仿度浏览器的行为 ############## heads ={ 'Connection':'keep-alive', 'Accept-Language':'zh-CN,zhq=0.9', 'Accept':'text/html,application/xhtml+xml,application/xml q=0.9,image/webp,image/apng, / q=0.8', 'User-Agent':'Mozilla/5.0 (Windows NT 10.0WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', } headall = [] for key,value in heads.items(): items = (key,value) headall.append(items) opener = urllib.request.build_opener() opener.addheaders = headall urllib.request.install_opener(opener) data = opener.open(url).read()().decode() ################## end ######################################## 3.创建soup解析器对象 soup = BeautifulSoup(data,'lxml') x = 0 4.开始使用BeautifulSoup4解析器提取用户名信息 ############### 获取用户名 ######################## name = [] unames = soup.find_all('h2') for uname in unames: name.append(uname.get_text()) #################end############################# 5.提取发表的内容信息 ############## 发表的内容 ######################### cont = [] data4 = soup.find_all('div',class_='content') data4 = str(data4) soup3 = BeautifulSoup(data4,'lxml') contents = soup3.find_all('span') for content in contents: cont.append(content.get_text()) ##############end#################################### 6.提取搞笑指数 #################搞笑指数########################## happy = [] data2 = soup.find_all('span',class_="stats-vote") data2 = str(data2) # 将列表转换成字符串形式才可以使用 soup1 = BeautifulSoup(data2,'lxml') happynumbers = soup1.find_all('i',class_="number") for happynumber in happynumbers: happy.append(happynumber.get_text()) ##################end############################# 7.提取评论数 ############## 评论数 ############################ comm = [] data3 = soup.find_all('a',class_='qiushi_comments') data3 = str(data3) soup2 = BeautifulSoup(data3,'lxml') comments = soup2.find_all('i',class_="number") for comment in comments: comm.append(comment.get_text()) ############end##################################### 8.使用正则表达式提取性别和年龄 ######## 获取性别和年龄 ########################## pattern1 = '<div class="articleGender (w ?)Icon">(d ?)</div>' sexages = re.compile(pattern1).findall(data) 9.设置用户所有信息输出的格局设置 ################## 批量输出用户的所以个人信息 ################# print() for sexage in sexages: sa = sexage print(' ' 17, '= = 第', page, '页-第', str(x+1) + '个用户 = = ',' ' 17) print('【用户名】：',name[x],end='') print('【性别】：',sa[0],' 【年龄】：',sa[1]) print('【内容】：',cont[x]) print('【搞笑指数】：',happy[x],' 【评论数】：',comm[x]) print(' ' 25,' 三八分割线 ',' ' 25) x += 1 ###################end########################## 10.设置循环遍历爬取13页的用户信息 for i in range(1,14): url = ' https://www.qiushibaike.com/8hr/page/'+str(i)+'/'qiuShi(url,i) 运行结果，部分截图：
Python 中可以进行网页解析的库有很多，常见的有 BeautifulSoup 和 lxml 等。在网上玩爬虫的文章通常都是介绍 BeautifulSoup 这个库，我平常也是常用这个库，最近用 Xpath 用得比较多，使用 BeautifulSoup 就不大习惯，很久之前就知道 Reitz 大神出了一个叫 Requests-HTML 的库，一直没有兴趣看，这回可算歹着机会用一下了。
使用 pip install requests-html 安装，上手和 Reitz 的其他库一样，轻松简单：
这个库是在 requests 库上实现的，r 得到的结果是 Response 对象下面的一个子类，多个一个 html 的属性。所以 requests 库的响应对象可以进行什么操作，这个 r 也都可以。如果需要解析网页，直接获取响应对象的 html 属性：
不得不膜拜 Reitz 大神太会组装技术了。实际上 HTMLSession 是继承自 requests.Session 这个核心类，然后将 requests.Session 类里的 requests 方法改写，返回自己的一个 HTMLResponse 对象，这个类又是继承自 requests.Response,只是多加了一个 _from_response 的方法来构造实例：
之后在 HTMLResponse 里定义属性方法 html，就可以通过 html 属性访问了,实现也就是组装 PyQuery 来干。核心的解析类也大多是使用 PyQuery 和 lxml 来做解析，简化了名称，挺讨巧的。
元素定位可以选择两种方式：
方法名非常简单，符合 Python 优雅的风格，这里不妨对这两种方式简单的说明：
定位到元素以后势必要获取元素里面的内容和属性相关数据，获取文本：
获取元素的属性：
还可以通过模式来匹配对应的内容：
这个功能看起来比较鸡肋，可以深入研究优化一下，说不定能在 github 上混个提交。
除了一些基础操作，这个库还提供了一些人性化的操作。比如一键获取网页的所有超链接，这对于整站爬虫应该是个福音，URL 管理比较方便：
内容页面通常都是分页的，一次抓取不了太多，这个库可以获取分页信息：
结果如下：
通过迭代器实现了智能发现分页，这个迭代器里面会用一个叫 _next 的方法，贴一段源码感受下：
通过查找 a 标签里面是否含有指定的文本来判断是不是有下一页，通常我们的下一页都会通过 下一页 或者 加载更多 来引导，他就是利用这个标志来进行判断。默认的以列表形式存在全局： ['next','more','older'] 。我个人认为这种方式非常不灵活，几乎没有扩展性。 感兴趣的可以往 github 上提交代码优化。
也许是考虑到了现在 js 的一些异步加载，这个库支持 js 运行时，官方说明如下：
使用非常简单，直接调用以下方法：
第一次使用的时候会下载 Chromium，不过国内你懂的，自己想办法去下吧，就不要等它自己下载了。render 函数可以使用 js 脚本来操作页面，滚动操作单独做了参数。这对于上拉加载等新式页面是非常友好的。
