Python爬虫实例：糗百

看了下python爬虫用法，正则匹配过滤对应字段，这里进行最强外功：copy大法实践

一开始是直接从参考链接复制粘贴的，发现由于糗百改版导致失败，这里对新版html分析后进行了简单改进，把整理过程记录如下：

参考文章中是这样的：

截图参考中的html文件布局如下：

分析参考中的伪代码如下：

分析图中html布局伪代码：

<div>
    <div class=‘author’>
        <a>
            <img></img>
            “昵称”
        </a>
    </div>
    <div class=‘content’>
        “内容”
    </div>
    <div class=‘status’>
        <span></span>
        <span></span>
        <span></span>
    </div>
</div>

进行匹配的正则表达式为：

'<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?' +
                     'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>'

根据正则进行筛选过滤的python代码为：（python代码每次执行都一致，不同的事正则表达式，执行代码中的正则表达式替换为文字，复制上下文中的进行替换即可）

# -*- coding: UTF-8 -*-

import urllib
import urllib2
import re

def qiubaiWithoutImageTest():
    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)
        pattern = re.compile('正则表达式',
                             re.S)
        items = re.findall(pattern, content)
        print items
        for item in items:
            print item[0],item[1],item[2],item[3]
            # haveImg = re.search("img", item[3])
            # if not haveImg:
            #     # print item
            #     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

#执行代码
qiubaiWithoutImageTest()

但是，听说但是之前的话都是废话。。。

但是因为糗百改版成如下图中的格式：

所以只能参考照猫画虎按照新格式进行正则表达式的修改了：

分析新的html伪代码格式如下：

<div>
    <div class=‘author’>
        <a><img></img></a>
        <a><h2>’昵称’</h2></a>
        <div>年龄</div>
    </div>
    <a class=‘contentHerf’>
        <div class=‘content’>
            <span>’内容’</span>
        </div>
    </a>
    <div class=‘status’>
        <span></span>
        <span></span>
        <span></span>
    </div>
</div>

所以新版的正则表达式修改如下：

LZ正则水平有限，进行了多次尝试才匹配成功。。。，把各个版本记录如下
=======版本1(未通过)
'<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<a.*?><h2.*?>(.*?)</h2>.*?</a>.*?<a.*?contentHerf">.*?<div.*?' +
                     'content”>(.*?)<span.*?>(.*?)</span>.*?<!--(.*?)-->.*?</div>(.*?)</a>.*?<div class="stats.*?class="number">(.*?)</i>'

========版本2(未通过)
'<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<a.*?><h2.*?>(.*?)</h2>.*?</a>.*?<a.*?contentHerf">.*?<div.*?content">(.*?)<span.*?>(.*?)</span>.*?<!--(.*?)-->.*?</div>(.*?)</a>.*?<div class="stats.*?class="number">(.*?)</i>'

=========版本3(未通过)
'<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<a.*?>.*?<h2.*?>(.*?)</h2>.*?</a>.*?<a.*?contentHerf">.*?<div.*?content">(.*?)<span.*?>(.*?)</span>.*?</div>.*?</a>.*?<div class="stats.*?class="number">(.*?)</i>'

=========版本4(通过仅有内容)
'<div.*?content">(.*?)<span.*?>(.*?)</span>.*?</div>'

=========版本5(通过：内容、昵称)
'<div.*?author clearfix">.*?<a.*?<img.*?>(.*?)</a>.*?<a.*?<h2.*?>(.*?)</h2>.*?</a>.*?</div>.*?<div.*?content">(.*?)<span.*?>(.*?)</span>.*?</div>'

=========版本6（通过：内容、昵称、年龄）
'<div.*?author clearfix">.*?<a.*?<h2.*?>(.*?)</h2>.*?</a>.*?<div.*?articleGender manIcon">(.*?)</div>.*?</div>.*?<div.*?content">(.*?)<span.*?>(.*?)</span>.*?</div>'

最终终于看到了如下结果：

胖香娇喘助理
31
老妹单身很久了，一直没对象，那天跟我出去坐公交，身边站着一个小伙子，小婊砸一直往人小伙子身边蹭。<br/>突然，这小婊砸捂着头:“哎呦！我头晕，不行，晕了。。。”说着，顺势倒在人家小伙子怀里。<br/>小伙子吓坏了，摇了摇老妹:“大姐，大姐，您没事吧！”<br/>老妹一听，怒不可遏:“叫谁大姐呢？我有这么老吗？”说着，给了人家一个白眼，还没到站就下车了。<br/>剩我一脸蒙蔽。。这招几百年前就有人用了。

萌面大叔l
26
我对蝉说，他日再见要等来年！蝉对我说，他日重逢要等来生！

逍遥ベ假行僧
29
初闻不知曲中意，在听已是曲中人。                                  现知词意唯落泪，不见当年陪孤人。                               既然亦是曲中人，为何还听曲中曲。                              曲中思念今犹在，不见当年梦中人。

逆流而上669
26
一次历史考试，问:1966年至1999年发生了哪三件大事。一奇葩同学是这样回答的:“1969年，我爸出生了；1972年我妈出生了；1995年，一个晴天霹雳，神一般的人物——我诞生了！”然后这张试卷就在公告栏里挂了一个星期！

匿名用户 38
公司高层来我们基层调研，到我们单位的是位副总，笔杆子小李又开始嘚瑟着发报道，还把稿子发到我们单位群，其中有这几句话“某总深入基层调研一线生产生活情况，与一线职工同吃同住......”我@了他一下，说：“在职工前面加个女字就更好了。”就在这时，某副总@了我一下：“到我办公室来一下。”我擦，谁把副总拉群里来的？[哀怨][哀怨][哀怨]

匿名用户 0
没有更好的办法了

a金钊
24
男生用“没事，不疼。”欺骗了多少女生；女生用“啊，疼！”欺骗了多少男生。

青青子衿忧我心
24
甲：怎么了？看着你气色不太好<br/>乙：昨儿喝多了，也吐也泻<br/><br/>甲：喝多少啊？成这德行<br/>乙：喝了一打老酸奶。。。<br/>听得都TM醉了，，，，

请叫我小智
21
看懂绝逼是污神。

surepman
22
这真不是故意的

傻晴°
38
开会，女同事让我坐她旁边，我内心一阵激动。我坐定后，她拿出手机玩了起来，说:你坐这领导（在侧面）就看不见我了。

挖鼻孔的老虎
99
晚上回到家，老婆用手机边拍我边问：“不是说加班吗，怎么有酒味？”<br/>我面对摄像头有点不自在：“我，我口渴，路上买了瓶啤酒喝。”<br/>老婆拿着手机捣鼓了好一会儿，然后说：“我妈不信、我妹妹不信、我全体闺蜜不信，连我9岁的侄女都觉得你没加班只是去了喝酒。”

今狐小妖
30
二楼二楼，别拿着手机看了电话不会打来的

你的选择你的选择
35
这一家子拖鞋真会放，整齐，还有什么？

LZ是Python新手，水平有限，仅作为学习参考使用！

贴上后续参考中的进阶代码

# -*- 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')
            # print pageCode
            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 clearfix">.*?<a.*?<h2.*?>(.*?)</h2>.*?</a>.*?<div.*?articleGender manIcon">(.*?)</div>.*?</div>.*?<div.*?content">(.*?)<span.*?>(.*?)</span>.*?</div>',
                             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:

            for itemInItem in item:
                pageStories.append(itemInItem.strip())
                print itemInItem

            # 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)

qbspider = QSBK()
qbspider.start()#在log中敲入enter进行下一页数据展示，目前还有一些问题

参考链接：

Python爬虫入门七之正则表达式

Python爬虫实战一之爬取糗事百科段子

python学习笔记三：解析html（HTMLParser、SGMLParser），并抓取图片

小练习 SGMLParser 解析 HTML

使用python 提取html文件中的特定数据

Beautiful Soup 4.2.0 文档

python：BeautifulSoup 模块使用指南