問題描述

剛學(xué)Python不會scrapy框架，就是想做個簡單爬蟲實(shí)現(xiàn)抓取前10頁段子（前N頁）。請問不用scrapy能有什么簡單一些的代碼能實(shí)現(xiàn)？之前有試過在page那里加for循環(huán)，但是也只能抓到一個頁面，不知道怎么弄。

import urllibimport urllib2import repage = 1url = ’http://www.qiushibaike.com/8hr/page/’ + str(page)user_agent = ’Mozilla/5.0 ( Windows NT 6.1)’headers = { ’User-Agent’ : user_agent }try: request = urllib2.Request(url,headers = headers) response = urllib2.urlopen(request) content = response.read().decode(’utf-8’) pattern = re.compile(’<p.*?class='content'>.*?<span>(.*?)</span>.*?</p>.*?’,re.S) items = re.findall(pattern,content) for item in items:print itemexcept urllib2.URLError, e: if hasattr(e,'code'):print e.code if hasattr(e,'reason'):print e.reason

問題解答

我跑了一下你的代碼，發(fā)現(xiàn)能跑出前2個頁面，后面都返回了一個錯誤碼，我覺得是因為你沒做防反爬處理，因為你這個結(jié)果在一秒內(nèi)就跑出來了，一秒內(nèi)連續(xù)10次訪問肯定不是人能做到的。

很多網(wǎng)站都能知道你這是用代碼在刷他們的網(wǎng)站，有些網(wǎng)站很討厭這個，會做反爬處理，可能直接把你的 IP 都給封了，讓你沒法訪問，因為如果不這樣做，短時間內(nèi)直接訪問太多次的話可能會把人家的網(wǎng)站都弄癱瘓了。

我的建議是每爬完一個頁面等待1秒，修改了下你的代碼：

import urllibimport urllib2import reimport timefor page in range(1, 11): print(’at page %s’ % page) url = ’http://www.qiushibaike.com/8hr/page/’ + str(page) user_agent = ’Mozilla/5.0 ( Windows NT 6.1)’ headers = { ’User-Agent’ : user_agent } try:request = urllib2.Request(url,headers = headers)response = urllib2.urlopen(request)content = response.read().decode(’utf-8’)pattern = re.compile(’<p.*?class='content'>.*?<span>(.*?)</span>.*?</p>.*?’,re.S)items = re.findall(pattern,content)for item in items: print item except urllib2.URLError, e:if hasattr(e,'code'): print e.codeif hasattr(e,'reason'): print e.reasontime.sleep(1)

我這邊是能出結(jié)果的，不過我想向你推薦另一個第三方的庫，叫 requests，既然你會 urllib，這也就不難，但是使用起來更人性化，配合 BeatuifulSoup 庫(用來解析和處理 HTML 文本的)很方便，你也可以去網(wǎng)上搜一下，了解一下。

還有就是以后做爬蟲一定要注意做防反爬處理！