Python爬虫--抓取糗事百科段子

今天使用python爬虫实现了自动抓取糗事百科的段子，因为糗事百科不需要登录,抓取比较简单。程序每按一次回车输出一条段子，代码参考了 http://cuiqingcai.com/990.html 但该博主的代码似乎有些问题，我自己做了修改，运行成功,下面是代码内容：

 # -*- coding:utf-8 -*-
 __author__ = 'Jz'
 import urllib2
 import re

 #糗事百科爬虫类
 class QSBK:
     #初始化
     def __init__(self):
         self.pageIndex = 1
         self.user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64)'
         self.headers = {'User-Agent': self.user_agent}
         #joke的每一个元素是每一页的段子
         self.joke = []
         #判断是否继续运行
         self.enable = False

     def getPage(self, pageIndex):
         try:
             URL = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
             request = urllib2.Request(url = URL, headers = self.headers)
             response = urllib2.urlopen(request)
             pageContent = response.read().decode('utf-8')
             return pageContent
         except urllib2.URLError, e:
             if hasattr(e, 'reason'):
                 print '段子抓取失败，失败原因：', e.reason
                 return None

     def getJokeList(self, pageIndex):
         pageContent = self.getPage(pageIndex)
         if not pageContent:
             print '段子获取失败...'
             return None
         #第三个组中的内容用于判断段子是否附带图片
         pattern = re.compile(r'<div.*?class="author">.*?<a.*?>.*?<img.*?/>\n(.*?)\n</a>.*?</div>.*?<div class="content">\n\n(.*?)\n<!--.*?-->.*?</div>' +
                          r'(.*?)class="stats">.*?<span.*?class="stats-vote"><i.*?class="number">(.*?)</i>'
                          , re.S)
         jokes = re.findall(pattern, pageContent)
         pageJokes = []
         #过滤带有图片的段子
         for joke in jokes:
             hasImg = re.search('img', joke[2])
             #joke[0]为发布人,joke[1]为段子内容,joke[3]为点赞数量
             if not hasImg:
                 pageJokes.append([joke[0].strip(), joke[1].strip(), joke[3].strip()])
         return pageJokes

     def loadPage(self):
         if self.enable == True:
             #若当前已看的页数少于两页，则加载新的一页
             if len(self.joke) < 2:
                 pageJokes = self.getJokeList(self.pageIndex)
                 if pageJokes:
                     self.joke.append(pageJokes)
                     self.pageIndex += 1

     #每输入一次回车，打印一条段子
     def getOneJoke(self, pageJokes, page):
         jokes = pageJokes
         for joke in jokes:
             userInput = raw_input('请输入回车键或Q/q: ')
             self.loadPage()
             if userInput == 'Q' or userInput == 'q':
                 self.enable = False
                 print '退出爬虫...'
                 return
             print u'段子内容:%s\n第%d页\t发布人:%s\t赞:%s' % (joke[1], page, joke[0], joke[2])

     def start(self):
         print '正在从糗事百科抓取段子，按回车键查看新段子，按Q/q退出...'
         self.enable = True
         self.loadPage()
         page = 0
         while self.enable:
             if len(self.joke) > 0:
                 pageJokes = self.joke[0]
                 page += 1
                 #删除已经读取过的段子页
                 del self.joke[0]
                 self.getOneJoke(pageJokes, page)

 spider = QSBK()
 spider.start()

注释已经附上，其中有几点需要注意的地方：

1.需要加上header验证进行伪装,否则无法抓取网页内容

2.正则表达式的书写,需要将内容提取出来以验证是否有附带图片(代码中已用红色标注)

3.getOneJoke函数中格式化输出段子时(已用红色标注),需要在字符串前加上u,否则会报如下错误:

Traceback (most recent call last):
  File "D:\coding_file\python_file\TestPython\src\Test\QSBK.py", line 84, in <module>
    spider.start()
  File "D:\coding_file\python_file\TestPython\src\Test\QSBK.py", line 81, in start
    self.getOneJoke(pageJokes, page)
  File "D:\coding_file\python_file\TestPython\src\Test\QSBK.py", line 68, in getOneJoke
    print '段子内容:%s\n第%d页\t发布人:%s\t赞:%s' % (joke[1], page, joke[0], joke[2])
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe7 in position 3: ordinal not in range(128)

这是因为Python默认编码方式为Unicode,所以joke[0]等也是Unicode编码,为了格式化输出,前面的字符串也需要转换成Unicode编码