玩转python爬虫之爬取糗事百科段子


            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



  抓取糗事百科热门段子

  过滤带有图片的段子

  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







# -*- coding:utf-8 -*-

import urllib

import urllib2

 

 

page = 1

url = '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







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







# -*- coding:utf-8 -*-

import urllib

import urllib2

 

page = 1

url = '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







content = response.read().decode('utf-8')

pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+

             'content">(.*?)<!--(.*?)-->.*?</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。

这样我们就获取了发布人，发布时间，发布内容，附加图片以及点赞数。

在这里注意一下，我们要获取的内容如果是带有图片，直接输出出来比较繁琐，所以这里我们只获取不带图片的段子就好了。

所以，在这里我们就需要对带图片的段子进行过滤。

我们可以发现，带有图片的段子会带有类似下面的代码，而不带图片的则没有，所以，我们的正则表达式的item[3]就是获取了下面的内容，如果不带图片，item[3]获取的内容便是空。







<div class="thumb">

 

<a href="/article/112061287?list=hot&amp;s=4794990" target="_blank">

<img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他们依然乐观">

</a>

 

</div>



所以我们只需要判断item[3]中是否含有img标签就可以了。

好，我们再把上述代码中的for循环改为下面的样子







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







# -*- coding:utf-8 -*-

import urllib

import urllib2

import re

 

page = 1

url = '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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+

             'content">(.*?)<!--(.*?)-->.*?</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。

另外我们需要设计面向对象模式，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







# -*- coding:utf-8 -*-

import urllib

import urllib2

import re

import thread

import 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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+

             'content">(.*?)<!--(.*?)-->.*?</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:

        replaceBR = re.compile('<br/>')

        text = re.sub(replaceBR,"\n",item[1])

        #item[0]是一个段子的发布者，item[1]是内容，item[2]是发布时间,item[4]是点赞数

        pageStories.append([item[0].strip(),text.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\t赞:%s\n%s" %(page,story[0],story[2],story[3],story[1])

  

  #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，希望大家喜欢。