Python爬虫实战（1）：爬取糗事百科段子

大家好，前面入门已经说了那么多基础知识了，下面我们做几个实战项目来挑战一下吧。那么这次为大家带来，Python爬取糗事百科的小段子的例子。首先，糗事百科大家都听说过吧？糗友们发的搞笑的段子一抓一大把，这次我们尝试一下用爬虫把他们抓取下来。

本篇目标

1.抓取糗事百科热门段子2.过滤带有图片的段子3.实现每按一次回车显示一个段子的发布时间，发布人，段子内容，点赞数。糗事百科是不需要登录的，所以也没必要用到Cookie，另外糗事百科有的段子是附图的，我们把图抓下来图片不便于显示，那么我们就尝试过滤掉有图的段子吧。好，现在我们尝试抓取一下糗事百科的热门段子吧，每按下一次回车我们显示一个段子。

1.确定URL并抓取页面代码

首先我们确定好页面的URL是 http://www.qiushibaike.com/hot/page/1，其中最后一个数字1代表页数，我们可以传入不同的值来获得某一页的段子内容。我们初步构建如下的代码来打印页面代码内容试试看，先构造最基本的页面抓取方式，看看会不会成功Python

123456789101112131415

# -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = 'http://www.qiushibaike.com/hot/page/' + str(page)try:    request = urllib2.Request(url)    response = urllib2.urlopen(request)    print response.read()except urllib2.URLError, e:    if hasattr(e,"code"):        print e.code    if hasattr(e,"reason"):        print e.reason

运行程序，哦不，它竟然报错了，真是时运不济，命途多舛啊Python

123	line 373, in _read_status raise BadStatusLine(line)httplib.BadStatusLine: ''

好吧，应该是headers验证的问题，我们加上一个headers验证试试看吧，将代码修改如下Python

1234567891011121314151617

# -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = 'http://www.qiushibaike.com/hot/page/' + str(page)user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'headers = { 'User-Agent' : user_agent }try:    request = urllib2.Request(url,headers = headers)    response = urllib2.urlopen(request)    print response.read()except urllib2.URLError, e:    if hasattr(e,"code"):        print e.code    if hasattr(e,"reason"):        print e.reason

嘿嘿，这次运行终于正常了，打印出了第一页的HTML代码，大家可以运行下代码试试看。在这里运行结果太长就不贴了。

2.提取某一页的所有段子

好，获取了HTML代码之后，我们开始分析怎样获取某一页的所有段子。首先我们审查元素看一下，按浏览器的F12，截图如下

我们可以看到，每一个段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的内容。现在我们想获取发布人，发布日期，段子内容，以及点赞的个数。不过另外注意的是，段子有些是带图片的，如果我们想在控制台显示图片是不现实的，所以我们直接把带有图片的段子给它剔除掉，只保存仅含文本的段子。所以我们加入如下正则表达式来匹配一下，用到的方法是 re.findall 是找寻所有匹配的内容。方法的用法详情可以看前面说的正则表达式的介绍。好，我们的正则表达式匹配语句书写如下，在原来的基础上追加如下代码Python

123456

content = response.read().decode('utf-8')pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+                     '="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)items = re.findall(pattern,content)for item in items:    print item[0],item[1],item[2],item[3],item[4]

现在正则表达式在这里稍作说明1）.*? 是一个固定的搭配，.和*代表可以匹配任意无限多个字符，加上？表示使用非贪婪模式进行匹配，也就是我们会尽可能短地做匹配，以后我们还会大量用到 .*? 的搭配。2）(.*?)代表一个分组，在这个正则表达式中我们匹配了五个分组，在后面的遍历item中，item[0]就代表第一个(.*?)所指代的内容，item[1]就代表第二个(.*?)所指代的内容，以此类推。3）re.S 标志代表在匹配时为点任意匹配模式，点 . 也可以代表换行符。现在我们可以看一下部分运行结果儒雅男神 2015-02-17 14:34:42小时候一个一个拆着放的举个爪…<div class=”thumb”><a href=”/article/100705418?list=hot&s=4747301″ target=”_blank” onclick=”_hmt.push([‘_trackEvent’, ‘post’, ‘click’, ‘signlePost’])”>
<img src=”http://pic.qiushibaike.com/system/pictures/10070/100705418/medium/app100705418.jpg” alt=”糗事#100705418″ />
</a></div>7093
奇怪的名字啊 2015-02-17 14:49:16回家的路，你追我赶，回家的心情和窗外的阳光一样灿烂。一路向前，离亲人越来越近了。哪里有爸妈哪里才是家，希望所有糗友的爸爸妈妈都身体健康…….4803这是其中的两个段子，分别打印了发布人，发布时间，发布内容，附加图片以及点赞数。其中，附加图片的内容我把图片代码整体抠了出来，这个对应item[3]，所以我们只需要进一步判断item[3]里面是否含有img这个字样就可以进行过滤了。好，我们再把上述代码中的for循环改为下面的样子Python

1234	for item in items:        haveImg = re.search("img",item[3])        if not haveImg:            print item[0],item[1],item[2],item[4]

现在，整体的代码如下Python

12345678910111213141516171819202122232425

# -*- coding:utf-8 -*-import urllibimport urllib2import re page = 1url = 'http://www.qiushibaike.com/hot/page/' + str(page)user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'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('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+                         '="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)    items = re.findall(pattern,content)    for item in items:        haveImg = re.search("img",item[3])        if not haveImg:            print item[0],item[1],item[2],item[4]except urllib2.URLError, e:    if hasattr(e,"code"):        print e.code    if hasattr(e,"reason"):        print e.reason

运行一下看下效果

恩，带有图片的段子已经被剔除啦。是不是很开森？

3.完善交互，设计面向对象模式

好啦，现在最核心的部分我们已经完成啦，剩下的就是修一下边边角角的东西，我们想达到的目的是：按下回车，读取一个段子，显示出段子的发布人，发布日期，内容以及点赞个数。另外我们需要面向对象模式，引入类和方法，将代码做一下优化和封装，最后，我们的代码如下所示Python

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108

__author__ = 'CQC'# -*- coding:utf-8 -*-import urllibimport urllib2import reimport threadimport time #糗事百科爬虫类class QSBK:     #初始化方法，定义一些变量    def __init__(self):        self.pageIndex = 1        self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'        #初始化headers        self.headers = { 'User-Agent' : self.user_agent }        #存放段子的变量，每一个元素是每一页的段子们        self.stories = []        #存放程序是否继续运行的变量        self.enable = False    #传入某一页的索引获得页面代码    def getPage(self,pageIndex):        try:            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)            #构建请求的request            request = urllib2.Request(url,headers = self.headers)            #利用urlopen获取页面代码            response = urllib2.urlopen(request)            #将页面转化为UTF-8编码            pageCode = response.read().decode('utf-8')            return pageCode         except urllib2.URLError, e:            if hasattr(e,"reason"):                print u"连接糗事百科失败,错误原因",e.reason                return None     #传入某一页代码，返回本页不带图片的段子列表    def getPageItems(self,pageIndex):        pageCode = self.getPage(pageIndex)        if not pageCode:            print "页面加载失败...."            return None        pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+                         '="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)        items = re.findall(pattern,pageCode)        #用来存储每页的段子们        pageStories = []        #遍历正则表达式匹配的信息        for item in items:            #是否含有图片            haveImg = re.search("img",item[3])            #如果不含有图片，把它加入list中            if not haveImg:                #item[0]是一个段子的发布者，item[1]是发布时间,item[2]是内容，item[4]是点赞数                pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[4].strip()])        return pageStories     #加载并提取页面的内容，加入到列表中    def loadPage(self):        #如果当前未看的页数少于2页，则加载新一页        if self.enable == True:            if len(self.stories) < 2:                #获取新一页                pageStories = self.getPageItems(self.pageIndex)                #将该页的段子存放到全局list中                if pageStories:                    self.stories.append(pageStories)                    #获取完之后页码索引加一，表示下次读取下一页                    self.pageIndex += 1     #调用该方法，每次敲回车打印输出一个段子    def getOneStory(self,pageStories,page):        #遍历一页的段子        for story in pageStories:            #等待用户输入            input = raw_input()            #每当输入回车一次，判断一下是否要加载新页面            self.loadPage()            #如果输入Q则程序结束            if input == "Q":                self.enable = False                return            print u"第%d页\t发布人:%s\t发布时间:%s\n%s\n赞:%s\n" %(page,story[0],story[1],story[2],story[3])     #开始方法    def start(self):        print u"正在读取糗事百科,按回车查看新段子，Q退出"        #使变量为True，程序可以正常运行        self.enable = True        #先加载一页内容        self.loadPage()        #局部变量，控制当前读到了第几页        nowPage = 0        while self.enable:            if len(self.stories)>0:                #从全局list中获取一页的段子                pageStories = self.stories[0]                #当前读到的页数加一                nowPage += 1                #将全局list中第一个元素删除，因为已经取出                del self.stories[0]                #输出该页的段子                self.getOneStory(pageStories,nowPage) spider = QSBK()spider.start()

好啦，大家来测试一下吧，点一下回车会输出一个段子，包括发布人，发布时间，段子内容以及点赞数，是不是感觉爽爆了！我们第一个爬虫实战项目介绍到这里，欢迎大家继续关注，小伙伴们加油！