第一个爬虫：爬糗事百科笑话

前排提示：

Python 3.5

没有分布式队列，没有查重，没有Scrapy-Redis框架，没有效率

参考资料（前排拜谢）;

网友静觅

CSDN专栏

Jecvay Notes

知乎大神，言简意赅

第一步：能爬就行

import urllib
import urllib.request

url = "http://news.dbanotes.net"
html = urllib.request.urlopen(url)
data = html.read().decode('UTF-8')
print(data)

　　通过这样几行代码，我们就可以抓取一个界面了，返回的是html代码。但是这样的爬虫只能爬一个界面，如果想连续的爬应该怎么办呢？

第二步：连续爬行

　　如果想连续爬行，那么就需要在爬的页面上找到链接到其他网页的URL，这里需要用到正则表达式来匹配。匹配到的URL需要存储在一个队列中，这样的话就可以持续存取。大型爬虫采用的是Scrapy-Redis框架。与此同时，还要维护一个队列，用来记录哪些URL已经被访问过，以免重复。这个简单的查重方法可以用set()容器实现。但是随着set元素增大，消耗会呈线性增长。大型爬虫采用的是Bloom Filter。

import re
from collections import deque

queue = deque()
queue.append('www.baidu.com')#爬虫的起点
visited = set()

while queue:
　　url = queue.popleft()
　　visited |= url

　　linkre = re.compile(r'href="(.+?)"')
　　for x in linkre.findall(data):
　　　　if (len(queue) < 100 and x not in visited):
　　　　　　queue.append(x)

　　上述代码中的URL匹配规则很简陋，有可能匹配到的不是URL，所以这个正则表达式还需要写的更精确一些。上述代码中的data，是第一步得到的data。注意，这个data必须是decode处理过的，否则会出错。通过存储一个队列的URL爬虫就可以源源不断的获得URL，通过与set中的元素比较，就可以避免访问重复的URL。但是访问的URL无效或者服务器不响应，那该怎么办？

第三步：异常处理

　　我们在使用浏览器时，可能会遇到页面无法访问的情况，最常见的就是404。404是http的状态码，意思是要访问的页面没有找到，这时我们从浏览器上关闭网页就是了。但是如果在python爬虫中出现这样的错误，那么整个爬虫就会崩溃，从而停止工作。下面给出错误处理方式。

try:
　　html = urllib.request.urlopen(url, timeout = 100)#访问超时
　　data = html.read().decode('UTF-8')
except:
　　continue

　　代码中的处理办法比较暴力，直接就把不能访问的URL略过，这样并不知道不能访问的原因。其中有一种不能访问的原因值得深入研究，那就是服务器拒绝响应。现在大部分网站都禁止爬虫来爬，所以当爬虫与服务器交互时，服务器发现你是爬虫，就会拒绝你的所有请求（比如京东、淘宝，直接爬是不行的）。这时，我们需要把爬虫伪装成浏览器。

第四步：伪装成浏览器

　　伪装成浏览器简单来说，就是在你的请求中加入头部信息，最重要的是User-Agent参数。什么是头部信息？浏览器可以告诉你。打开浏览器调试界面（我是Chrome，直接按F12就出现），选中顶层的Networks，然后在浏览器地址栏出入一个网址，回车，你会发现调试器中出现了好多请求，js啊，图片啊，css啊等等，随便点击一个请求，在右侧选择headers，headers的最后一项就是User-Agent。复制，然后以字典的形式存入headers中。

url = deque.popleft()
request = urllib.request.Request(url, headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko)\
Chrome/50.0.2657.3 Safari/537.36'
})

html = urllib.request.urlopen(request)

　　通过以上的构造方式，服务器就会认为你是浏览器而不会拒绝你的请求。接下来你可以对静态的HTML代码进行正则抓取了。如果正则表达式运用的好，就能很轻松的得到你想要的东西。但是如果想抓取动态的东西，还需要其他的知识啦。

附

上我的抓取糗事百科笑话并保存的爬虫。

#包含的库
import re
import urllib
import urllib.request

#自定义的保存函数，由于需要不断的打开文件、写入文件操作，效率很低。
def saveData(data, savePath):
f = open(savePath, 'a')
try:
f.write(data)
except:
pass
f.close()

cnt = 1
#匹配笑话的正则表达式
rule_joke = r'<div class="content">((?:.|[\r\n])*?)</div>'
savePath = 'E:\qb_jokes.txt'
url_header = 'http://www.qiushibaike.com/8hr/page/'
url_tail = 1

while url_tail < 30:
　#由于糗事百科网页特殊性，直接改变页号即可实现访问不同网页
url = url_header + str(url_tail)
request = urllib.request.Request(url, headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko)\
Chrome/50.0.2657.3 Safari/537.36'
})
#尝试打开网页，读取信息
try:
html = urllib.request.urlopen(request)
data = html.read()
except:
print('Parser Html Error!')
continue
#尝试匹配网页中的笑话
jokes = re.compile(rule_joke)
try:
joke = jokes.findall(data.decode("UTF-8"))
except:
print("Find jokes error!\n")
continue
#将得到的笑话的字符串处理并存储
for j in joke:
print(str(cnt) + j + "\n")
saveData(str(cnt) + j + "\n", save_path)
cnt += 1
#表示读取下一页
url_tail += 1

读到的笑话截图