Python爬虫实战（1）：爬取糗事百科段子

Python爬虫入门（1）：综述
Python爬虫入门（2）：爬虫基础了解
Python爬虫入门（3）：Urllib库的基本使用
Python爬虫入门（4）：Urllib库的高级用法
Python爬虫入门（5）：URLError异常处理
Python爬虫入门（6）：Cookie的使用
Python爬虫入门（7）：正则表达式
Python爬虫入门（8）：Beautiful Soup的用法

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

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

Python

# -*- 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

Python

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

Python

# -*- 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

Python

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

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

'="content".*?title="(.*?)">(.*?)</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。

现在我们可以看一下部分运行结果

儒雅男神 2015-02-17 14:34:42

小时候一个一个拆着放的举个爪…

<div class=”thumb”>

<a href=”/article/100705418?list=hot&s=4747301″ target=”_blank” οnclick=”_hmt.push([‘_trackEvent’, ‘post’, ‘click’, ‘signlePost’])”>
<img src=”http://pic.qiushibaike.com/system/pictures/10070/100705418/medium/app100705418.jpg” alt=”糗事#100705418″ />
</a>

</div>

7093
奇怪的名字啊 2015-02-17 14:49:16

回家的路，你追我赶，回家的心情和窗外的阳光一样灿烂。一路向前，离亲人越来越近了。哪里有爸妈哪里才是家，希望所有糗友的爸爸妈妈都身体健康…….

4803

这是其中的两个段子，分别打印了发布人，发布时间，发布内容，附加图片以及点赞数。

其中，附加图片的内容我把图片代码整体抠了出来，这个对应item[3]，所以我们只需要进一步判断item[3]里面是否含有img这个字样就可以进行过滤了。

好，我们再把上述代码中的for循环改为下面的样子

Python

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

Python

# -*- 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.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+

'="content".*?title="(.*?)">(.*?)</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

Python

100

101

102

103

104

105

106

107

108

__author__ = 'CQC'

# -*- 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.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+

'="content".*?title="(.*?)">(.*?)</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:

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

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

#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，欢迎大家继续关注，小伙伴们加油！

from: 崔庆才的博客（@崔庆才丨静觅）

http://python.jobbole.com/81351/