爬取糗事百科段子

# 导入requests 和 BeautifulSoup
import requests
from bs4 import BeautifulSoup

def download_page(url):
    # 定义头部，用来骗过浏览器
    headers ={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'}
    # 这里我是用了代理，是我本地电脑上跑的一个程序，可以随机寻找一个代理IP地址
    # 爬取大量数据的时候会用到
    # PROXY_POOL_URL = 'http://localhost:5555/random'
    # response = requests.get(PROXY_POOL_URL)
    # proxies = {"http:": "http://" + response.text}
    # html = requests.get(url,headers = headers,proxies = proxies)
    # 访问网页并获取HTML文件
    html = requests.get(url,headers = headers)
    return html.text
def get_content(html,page):
    # 从返回的HTML网页中找到需要的作者，段子，年龄等信息
    output = """第{}页 作者：{} 性别：{} 年龄：{} 点赞：{} 评论：{}
{}
------------
"""  # 最终输出格式
    # 做一锅汤。
    soup = BeautifulSoup(html,'lxml')
    # 找到每一页每一个段子的信息
    content = soup.find(id = 'content')
    content_list = content.find_all('div',class_ = 'article')
    # 循环遍历每一个段子的信息
    for index in content_list:
        # 查询出作者的昵称
        author = index.find('h2').string
        # 获取段子内容
        content = index.find('div', class_= 'content').find('span').get_text()  # 获取内容
        # 获取点赞和评论数的标签
        stats = index.find('div',class_ = 'stats')
        # 获取点赞数
        dianzan = stats.find('span',class_ = 'stats-vote').find('i').string
        # 获取评论数
        pinglun = stats.find('span',class_ = 'stats-comments').find('a').find('i').string
        # 获取作者的性别和年龄
        author_info = index.find('div',class_ = 'articleGender')
        # 这里首先判断作者是否匿名
        if author_info is not None:
            class_list = author_info['class']
            # 根据标签来判断作者的性别
            if 'womenIcon' in class_list:
                gender = '女'
            elif 'manIcon' in class_list:
                gender = '男'
            else:
                gender = ''
            age = author_info.string
        else:
            gender = ''
            age = ''
        # 调用函数将数据写入文件中
        save_text(output.format(page,author,gender,age,dianzan,pinglun,content))
# 将数据写入文件中的函数
def save_text(*args):
    # 遍历出入的每一组数据，然后依次写入
    for index in args:
        with open(r"D:pythonqiushibaike.txt","a",encoding = "utf-8") as f:
            f.write(index)

def main():
    # 主函数，循环查询可以查询很多页
    for index in range(1,2):
        # 首先定义url地址
        url = "https://qiushibaike.com/text/page/{}".format(index)
        # 调用函数下载网页
        html = download_page(url)
        # 调用函数获取我们需要的数据
        get_content(html,index)

if __name__ == "__main__":
    main()