鱼C论坛

 找回密码
 立即注册
查看: 7633|回复: 13

[技术交流] 鱼C论坛Python精英挑战赛(第四季04期)

[复制链接]
发表于 2017-12-11 13:14:57 | 显示全部楼层 |阅读模式
本帖最后由 jerryxjr1220 于 2017-12-18 09:45 编辑

第四届鱼C论坛精英挑战赛开始咯!为了增加趣味性,本届仍然延续“新玩法”-- “押宝玩法”,“竞猜玩法”和“擂主玩法”。

同时,根据以往鱼油的反馈,精英赛题目普遍偏难,所以参与的鱼油相对较少。为了提高大家的参与度,本届挑战赛会大幅降低难度,使大部分鱼油都能参赛。同时,会增设一、二、三名奖励,第一名奖励50鱼币,第二名30鱼币,第三名20鱼币。

新玩法规则:

1. 押宝玩法:由于押宝玩法参与人数很少,故暂停押宝。后续有改进玩法,会再公布。

2. 竞猜玩法:直接在比赛帖的下方进行投票,凡事“竞赛”获胜者,将奖励5鱼币。竞猜无门槛,人人都可以参与。竞猜以后,请在本帖留个言,方便领取奖励。

3. 擂主玩法:上一期挑战成功的鱼油成为挑战赛的擂主,擂主有优先权提议下一期的赛题,一届挑战赛共分5期,同一届中当擂主最长的鱼油有额外奖励。

本期题目: 爬知乎日报 https://daily.zhihu.com/

不知道大家是否都看过“知乎日报”,每天3次的“知乎日报”包含了大量的信息和知识,而7分钟的阅读量也非常符合现代非常快节奏的生活。
Untitled.png

那么今天的题目就是做一个爬虫,去爬下每期的“知乎日报”,然后把爬取的网页内容(若有能力把网页内容转换成pdf加分)按照日期和标题自动归类到文件夹zhihu_daily。

加分项:自动检测知乎日报是否有更新,如果有更新,自动爬取更新的内容(不重复爬取已有的内容),自动检测频率可以设置1小时1次。

提示:“知乎日报”有网页版、安卓版、IOS版、微信小程序、API等多种版本和端口可以使用,挑选你认为最合适的爬虫策略,形式方法不限。

要求: 爬虫正常运行,程序效率高,代码简洁

截止日期: 12月17日24时

本期擂主: cngoodboy、gunjang、万事屋

@小甲鱼 @冬雪雪冬 @~风介~ @SixPy

竞猜:回答正确的参赛者的人数
单选投票, 共有 15 人参与投票
您所在的用户组没有投票权限

本帖被以下淘专辑推荐:

想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-11 13:56:03 | 显示全部楼层
爬虫没学过,不会。🐶️🐶️
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-12 09:26:45 | 显示全部楼层
本帖最后由 jerryxjr1220 于 2017-12-18 09:41 编辑
import requests
from bs4 import BeautifulSoup
import threading
import os
import re
import pdfkit
import lxml
from requests.exceptions import RequestException
def get_index_page():
    # headers是为了解决http 304 错误
    headers={
        'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding':'gzip, deflate',
        'Accept-Language':'zh-CN,zh;q=0.9',
        'Cache-Control':'max-age=0',
        'Connection':'keep-alive',
        'Host':'daily.zhihu.com',
        'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3269.3 Safari/537.36'
    }
    url="http://daily.zhihu.com"
    response=requests.get(url,headers=headers)  #启用headers参数
    # print(response.text)
    return response.text
def get_detail_content():
    # global data_G
    html = get_index_page()  #获取网页文本数据
    # 使用BeautifulSoup 解析
    soup = BeautifulSoup(html, 'lxml')
    # 按照xmlselector 查找titles 和images,href 详情地址
    titles = soup.select('body > div.main-content > div > div.main-content-wrap > div > div > div > div > a > span ')
    images = soup.select('body > div.main-content > div > div.main-content-wrap > div > div > div > div > a > img ')
    hrefs =soup.select('body > div.main-content > div > div.main-content-wrap > div > div > div > div > a ')
    for title,image,href in zip(titles,images,hrefs):
        title=title.get_text()
        data={
            'title':re.sub(r'\W',"",title),
            'image':image.get('src'),
            'href':href.get('href')
        }
        # print(data)
        yield data
    print("================================")
def timer_work():
    global num,data_G
    num=num+1
    data_G = get_detail_content()
    save_all()
    #每1000s执行一次
    t = threading.Timer(1000, timer_work)
    t.start()
def save_all():
    # 创建文件夹
    if not os.path.isdir(os.getcwd() + '/zhihu_daily'):
        print("NO")
        os.mkdir(os.getcwd() + '/zhihu_daily')
    else:
        print('OK')
    for tmp in data_G:
        images_save(tmp['title'],tmp['image']) #保存图片
        #保存详情
        PDF_save(tmp['href'],tmp['title'])
    print("Done")
def PDF_save(href,title):

    # 解决:python使用pdfkit中,如果使用pdfkit.from_url 或者pdfkit.from_string等,就会出现上述错误。而且如果你使用pip安装了 wkhtmltopdf,还是会出现这个问题:
    # If this file exists please check that this process can read it. Otherwise please install wkhtmltopdf - https://github.com/JazzCore/python-pdfkit/wiki/Installing-wkhtmltopdf
    # 方法
    # path_wk = r'D:\Users\Administrator\AppData\Local\Programs\Python\Python36\Lib\site-packages\wkhtmltopdf\bin\wkhtmltopdf.exe'  # 安装位置
    # config = pdfkit.configuration(wkhtmltopdf=path_wk)
    # pdfkit.from_url(url,file_path,configuration=config)
 
    path_wk = r'D:\Users\Administrator\AppData\Local\Programs\Python\Python36\Lib\site-packages\wkhtmltopdf\bin\wkhtmltopdf.exe'  # 安装位置
    config = pdfkit.configuration(wkhtmltopdf=path_wk)
    url='https://daily.zhihu.com'+href
    # print(title+'.pdf')
    file_path="{0}/{1}/{2}.{3}".format(os.getcwd(),'zhihu_daily',title , 'pdf')
    try:
        if not os.path.exists(file_path):
            pdfkit.from_url(url,file_path,configuration=config)
        else:
            print("TP2:文件存在")
    except:
        # 此处一个Exit with code 1 due to network error: ContentNotFoundError异常
        # 此异常为是因为css文件引用了外部的资源,如:字体,图片,iframe加载等。
        # 选择忽略此异常
        pass

def images_save(title,image):
    img = requests.get(image)     #获取图片的response
    # title1=re.sub(r'\W',"",title) #标题去掉特殊符号,如 ?  不然会出现无法保存的错误
    file_path = "{0}/{1}/{2}.{3}".format(os.getcwd(),'zhihu_daily',title , 'jpg') #格式化存放路径
    if not os.path.exists(file_path):
        with open(file_path, 'wb') as f:
            f.write(img.content)         # 存放图片
            f.close()
def main():
    timer_work() #每一个小时刷新一次

data_G={}
if __name__=='__main__':
    num=0
    main()
QQ图片20171216224923.png

点评

不单单只是爬取封面和标题哦,要爬每期的内容哦  发表于 2017-12-14 09:13

评分

参与人数 1荣誉 +2 鱼币 +2 贡献 +2 收起 理由
jerryxjr1220 + 2 + 2 + 2 答题奖励

查看全部评分

想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-12 10:53:07 | 显示全部楼层

python3转了一下

本帖最后由 jerryxjr1220 于 2017-12-15 09:44 编辑

  
import random, requests, time
from bs4 import BeautifulSoup
import re
user_agents = [
                'ozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11',
                'Opera/9.25 (Windows NT 5.1; U; en)',
                'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)',
                'Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)',
                'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12',
                'Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9',
                "Mozilla/5.0 (X11; Linux i686) AppleWebKit/535.7 (KHTML, like Gecko) Ubuntu/11.04 Chromium/16.0.912.77 Chrome/16.0.912.77 Safari/535.7",
                "Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:10.0) Gecko/20100101 Firefox/10.0 ",
                                        ]
        user_agent = random.choice(user_agents)
        headers = {
                'user-agent': user_agent,
                'accept': '* / *',
                'accept - encoding': 'gzip, deflate, br',
                'accept - language': 'zh - CN, zh;q = 0.9',
                        }

        url = "https://daily.zhihu.com"
        r = requests.get(url,headers=headers)
        soup = BeautifulSoup(r.content, 'lxml')
        s = soup.select('div[class="box"]')
        print(time.strftime('%Y-%m-%d',time.localtime(time.time())) + ':知乎日报标题内容速览')
        for i in range(len(s)):
                link = re.findall(r'<a class="link-button" href="(.*?)">',str(s[i]))
                title = re.findall(r'<span class="title">(.*?)<\/span>',str(s[i]))
                img = re.findall(r'src="(.*?)"',str(s[i]))
                title = urllib.parse.unquote(''.join(title))
                print( url+''.join(link), title ,'img= %s'%''.join(img))
                res = requests.get(url+''.join(link), headers=headers)
                soup = BeautifulSoup(res.content, 'lxml')
                so = soup.select('div[class="question"]')
                contents = re.findall(r'>(.*?)<',str(so))
                print( ''.join(contents))


点评

不仅仅是要标题哦,里面的内容也需要爬的。  发表于 2017-12-15 09:43

评分

参与人数 1荣誉 +2 鱼币 +2 贡献 +2 收起 理由
jerryxjr1220 + 2 + 2 + 2 答题奖励,最好能换python3了,这是大趋势.

查看全部评分

想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-12 20:10:45 | 显示全部楼层

111

本帖最后由 qwc3000 于 2017-12-16 23:32 编辑

点评

运行报错: TypeError: get_detail_content() missing 1 required positional argument: 'num1'  发表于 2017-12-12 22:18
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-15 06:44:30 | 显示全部楼层
我投票中了吗?
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-15 08:46:33 | 显示全部楼层
看看是什么情况!!
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-15 23:47:40 | 显示全部楼层
这个有意思呀!
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-18 09:40:16 | 显示全部楼层
很棒棒的题目。可惜不会爬虫
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

 楼主| 发表于 2017-12-18 10:40:49 | 显示全部楼层
SylarPu 发表于 2017-12-18 09:40
很棒棒的题目。可惜不会爬虫

可以参考获胜者的程序,写得很棒!输出的pdf也很优雅!
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-12-18 14:29:02 | 显示全部楼层

问个问题哈,请问 使用requests.get之后,如果直接print r.text 报错,gbk错误,是我的电脑的问题么
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-11-24 14:20

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表