转 Python爬虫实战一之爬取糗事百科段子

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。

友情提示

糗事百科在前一段时间进行了改版，导致之前的代码没法用了，会导致无法输出和CPU占用过高的情况，是因为正则表达式没有匹配到的缘故。

现在，博主已经对程序进行了重新修改，代码亲测可用，包括截图和说明，之前一直在忙所以没有及时更新，望大家海涵！

更新时间：2015/8/2

糗事百科又又又又改版了，博主已经没心再去一次次匹配它了，如果大家遇到长时间运行不出结果也不报错的情况，请大家参考最新的评论，热心小伙伴提供的正则来修改下吧～

更新时间：2016/3/27

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

 # -*- 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)

 #url = 'http://www.qiushibaike.com/hot/'

 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('h2>(.*?)</h2.*?content">(.*?)</.*?number">(.*?)</',re.S)

    items = re.findall(pattern,content)

    for item in items:

        print item[0],item[1],item[2]

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匹配的时候不去匹配这些就行了

<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>

现在，整体的代码如下

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

 import urllib

 import urllib2

 import re

 import sys     #

 reload(sys)                         #

 sys.setdefaultencoding('utf-8')     #

 page = 2

 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 clearfix">.*?<h2>(.*?)</h2>.*?<div class="content">(.*?)</div>.*?' +

     #    '<div.*?stats-vote.*?number>(.*?)</i>.*?<span class="stats-comments.*?number">(.*?)</i>.*?</div>',re.S)

     pattern = re.compile('h2>(.*?)</h2.*?content">(.*?)</.*?number">(.*?)</',re.S)

     #pattern = re.compile('<div.*?author clearfix">.*?<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]

 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

 逆风飞翔11 

 哥们的老婆分娩在即，问我哥们：“如果我要生了，你应该送我去哪里？”<br/><br/>“医院!”他毫不犹豫地说。<br/><br/>“医院的哪个地方？”他老婆担心他到时惊慌失措，又问道。<br/><br/>哥们儿想了想，肯定地说：“解剖室！”

 6270

 日啦啦啦啦 

 以前只在图片上看过，这次见到实物了

 336

 听说名字长才能娶 

 小时候调皮，玩的时候一不小心用脚踩死了一只鸡仔，被爸爸追着打，边追边问：你怎么踩死的，你怎么踩死的啊！我一边哭一边拿着一个鸡仔放在脚底踩了下去说：就是这样踩死的。那顿打，简直就是昏天黑地

 7452

 医然为你 

 儿子看动画片，熊出没。<br/><br/>我：儿子！你要当熊大还是熊二？<br/><br/>儿子：我要当光头强！！<br/><br/>我：为什么？<br/><br/>儿子：因为他是人。。<br/><br/>我：………

 4324

 你慢慢笑 

 几个人吵架，吵得正凶，有一大汉正要开始动手，对方猛叫“大哥，别介呀，吵得好好的，干嘛要动手呢”

 9336

 你昵称有我的随便 

 楼主一苦逼橱柜安装工，最近太忙想招一学徒。把招聘信息发到各大群里，没有一人咨询。于是我又在后面加了一条：“因要经常与单身女客户独处，故要求学徒不能太色！”呵呵，现在我手机响个不停了。

 4691

 狱锁狂龙魔 

 今天旷课去打游戏，8点才回家看来要被打了，一听有客人，太好了进去一看原来是班主任，这下完了。

 5019

 李木手杖 

 人没钱不如鬼，汤没盐不如水，你会慢慢发现，一颗好心，永远比不上一张好嘴。这句话是多么的现实。会做的不如会说的。

 9438

 挖鼻孔的老虎 

 现在的小孩真让人哭笑不得。<br/>刚刚，三个小屁孩在小区里玩。一个女孩跟一男孩说:“我来演妈妈，你演爸爸。”然后，她指着另一个男孩说:“你演隔壁老王。”

 10044

 迷恋你的小裤衩 

 男:你猜猜我是谁？<br/>女:一巴掌呼了过去。<br/>男:你为什么打我呀？<br/>女:人家让猜我是谁都是捂眼睛的，你TM捂着我的胸是几个意思？

 5232

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 sys     #

 import thread

 import time

 #糗事百科爬虫类

 class QSBK(object):

     """docstring for QSBK"""

     def __init__(self):

         reload(sys)                         #

         sys.setdefaultencoding('utf-8')     #

         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

     #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

     def getPage(self,pageIndex):

         try:

             url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)

             request = urllib2.Request(url,headers=self.headers)

             response = urllib2.urlopen(request)

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

             return pageCode

         except urllib2.URLError, e:

             if hasattr(e,"code"):

                 print e.code

             if hasattr(e,"reason"):

                 print 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('h2>(.*?)</h2.*?content">(.*?)</.*?number">(.*?)</',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:

             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]是点赞数

             pageStories.append([item[0].strip(),text.strip(),item[2].strip()])

         return pageStories

     def getOneStory(self,pageStories,page):

         for story in pageStories:

             input = raw_input()

             self.loadPage()

             if input == "Q":

                 self.enable = False

                 return

             print u"第%d页\t发布人：%s\t 赞：%s\n%s" %(page,story[0],story[2],story[1])

     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)

 if __name__ == '__main__':

     spider = QSBK()

     spider.start()

运行效果：

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！