python爬虫实战（1）--爬取糗事百科

这里利用正则表达式进行匹配，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。

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页数，发布人，段子内容，点赞数

提取某一页的所有段子

由于网站经常更新，需要在更新后及时修改代码，如何修改在糗事百科网上按F12进行页面审查

# -*- 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('h2>(.*?)</h2.*?content".*?span>(.*?)</.*?!--.*?-->(.*?)</.*?number">(.*?)</i>',re.S)
    items = re.findall(pattern,content)
    for item in items:
        haveImg = re.search("img", item[2])
        if not haveImg:
            print item[0], item[1], item[3]
except urllib2.URLError, e:
    if hasattr(e, "code"):
        print e.code
    if hasattr(e, "reason"):
        print e.reason

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。

*这里在content，number后一定要加双引号”，<>与<>之间最好直接用.*?代替，直接写很容易出错

运行结果如下：

完善交互，设计面向对象模式

 # -*- 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('h2>(.*?)</h2.*?content".*?span>(.*?)</.*?!--.*?-->(.*?)</.*?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[2])
             # 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]是图片,item[3]是点赞数
                 pageStories.append([item[0].strip(), text.strip(), item[3].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\n发布人:%s\n赞:%s\n%s" % (page, story[0], story[2], 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()

QSBK