手动爬虫之糗事百科（ptyhon3）

一、调用封装的Url_ProxyHelper类，源码如下

import urllib.request as ur

class Url_ProxyHelper:
    def __init__(self, url, proxy_add, savepath=None):
        self.url = url
        self.proxy_add = proxy_add
        self.req = None
        self.proxy = None
        self.opener = None
        self.info = None
        self.save_path = savepath

    # 报头代理设置
    def set_UrlAndProxy(self):
        # 添加报头
        self.req = ur.Request(self.url)
        self.req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0')

        # 设置代理服务器
        self.proxy = ur.ProxyHandler({'http': self.proxy_add})
        self.opener = ur.build_opener(self.proxy, ur.HTTPHandler)
        ur.install_opener(self.opener)
        return self.req

    # 数据存档
    def save_InFile(self):
        self.req = self.set_UrlAndProxy()
        self.info = ur.urlopen(self.req).read()
        open(self.save_path, 'wb').write(self.info)

    # 数据返回
    def feedbak_info(self):
        self.req = self.set_UrlAndProxy()
        self.info = ur.urlopen(self.req).read().decode('utf-8')  # decode()用来解码，特别是中文
        return str(self.info)

 

二、爬取源码

import urllib.request as ur
import re
from Url_ProxyHelper import Url_ProxyHelper

# 构造了一个去除Tags的函数
def delete_Tags(content, pattern):
    return re.sub(pattern, "", content.replace("\n", ""))


# 设置目标网址
url = ur.quote("https://www.qiushibaike.com/", safe='/:?=', encoding='utf-8')
# 设置代理服务器IP
proxy_add = "114.239.147.6:808"

# 调用Url_ProxyHelper类
uph = Url_ProxyHelper(url, proxy_add)
info = uph.feedbak_info()

# 设置正则表达式
pattern_1 = 'target="_blank" title="(.*?)">'
pattern_2 = 'class="content">(.*?)</div>'
pattern_3 = '<(.*?)>'

# 匹配数据
user_list = re.compile(pattern=pattern_1, flags=re.S).findall(info)
content_list = re.compile(pattern=pattern_2, flags=re.S).findall(info)

for user, content in zip(user_list, content_list):
    data = {
        "user": user,
        "content": delete_Tags(content, pattern_3)
    }
    print("用户是：" + data["user"])
    print("内容是：" + data["content"])

 

三、一点总结

1.关于urllib.request.urlopen("www.x.com").read()是否调用decode("utf-8")。
答：一般而言，当我们抓取一个页面需要将该信息存档（如存为x.html文件）时，这个时候不能调用decode()函数；而当我们需要读取页面的信息时（这里指的是抓取页面部分内容），存在信息的转码，所以这个时候需要调用decode()函数。

2.在正则表达式的使用过程中，需要注意，re.compile(pattern).findall(info)中的info必须是str类型，所有当出现报错时，需要稍微转换一下。

3.正则表达式中，re.compile(pattern=pattern, flags=re.S)的第二个参数的使用，模式修正，防止有用信息被过滤掉。

4.函数的构建必须放在函数调用之前。