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！
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～
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
1 # -*- coding:utf-8 -*- 2 import urllib 3 import urllib2 4 5 6 page = 1 7 url = 'http://www.qiushibaike.com/hot/page/' + str(page) 8 try: 9 request = urllib2.Request(url) 10 response = urllib2.urlopen(request) 11 print response.read() 12 except urllib2.URLError, e: 13 if hasattr(e,"code"): 14 print e.code 15 if hasattr(e,"reason"): 16 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
1 line 373, in _read_status 2 raise BadStatusLine(line) 3 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
1 # -*- coding:utf-8 -*- 2 import urllib 3 import urllib2 4 5 page = 1 6 url = 'http://www.qiushibaike.com/hot/page/' + str(page) 7 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 8 headers = { 'User-Agent' : user_agent } 9 try: 10 request = urllib2.Request(url,headers = headers) 11 response = urllib2.urlopen(request) 12 print response.read() 13 except urllib2.URLError, e: 14 if hasattr(e,"code"): 15 print e.code 16 if hasattr(e,"reason"): 17 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
1 content = response.read().decode('utf-8') 2 pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 3 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S) 4 items = re.findall(pattern,content) 5 for item in items: 6 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。
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item[3]就是获取了下面的内容，如果不带图片，item[3]获取的内容便是空。
1 <div class="thumb"> 2 3 <a href="/article/112061287?list=hot&s=4794990" target="_blank"> 4 <img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他们依然乐观"> 5 </a> 6 </div>
所以我们只需要判断item[3]中是否含有img标签就可以了。
好，我们再把上述代码中的for循环改为下面的样子
1 for item in items: 2 haveImg = re.search("img",item[3]) 3 if not haveImg: 4 print item[0],item[1],item[2],item[4]
现在，整体的代码如下
1 # -*- coding:utf-8 -*- 2 import urllib 3 import urllib2 4 import re 5 6 page = 1 7 url = 'http://www.qiushibaike.com/hot/page/' + str(page) 8 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 9 headers = { 'User-Agent' : user_agent } 10 try: 11 request = urllib2.Request(url,headers = headers) 12 response = urllib2.urlopen(request) 13 content = response.read().decode('utf-8') 14 pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 15 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S) 16 items = re.findall(pattern,content) 17 for item in items: 18 haveImg = re.search("img",item[3]) 19 if not haveImg: 20 print item[0],item[1],item[2],item[4] 21 except urllib2.URLError, e: 22 if hasattr(e,"code"): 23 print e.code 24 if hasattr(e,"reason"): 25 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
1 __author__ = 'CQC' 2 # -*- coding:utf-8 -*- 3 import urllib 4 import urllib2 5 import re 6 import thread 7 import time 8 9 #糗事百科爬虫类 10 class QSBK: 11 12 #初始化方法，定义一些变量 13 def __init__(self): 14 self.pageIndex = 1 15 self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 16 #初始化headers 17 self.headers = { 'User-Agent' : self.user_agent } 18 #存放段子的变量，每一个元素是每一页的段子们 19 self.stories = [] 20 #存放程序是否继续运行的变量 21 self.enable = False 22 #传入某一页的索引获得页面代码 23 def getPage(self,pageIndex): 24 try: 25 url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex) 26 #构建请求的request 27 request = urllib2.Request(url,headers = self.headers) 28 #利用urlopen获取页面代码 29 response = urllib2.urlopen(request) 30 #将页面转化为UTF-8编码 31 pageCode = response.read().decode('utf-8') 32 return pageCode 33 34 except urllib2.URLError, e: 35 if hasattr(e,"reason"): 36 print u"连接糗事百科失败,错误原因",e.reason 37 return None 38 39 40 #传入某一页代码，返回本页不带图片的段子列表 41 def getPageItems(self,pageIndex): 42 pageCode = self.getPage(pageIndex) 43 if not pageCode: 44 print "页面加载失败...." 45 return None 46 pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 47 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S) 48 items = re.findall(pattern,pageCode) 49 #用来存储每页的段子们 50 pageStories = [] 51 #遍历正则表达式匹配的信息 52 for item in items: 53 #是否含有图片 54 haveImg = re.search("img",item[3]) 55 #如果不含有图片，把它加入list中 56 if not haveImg: 57 replaceBR = re.compile('<br/>') 58 text = re.sub(replaceBR,"\n",item[1]) 59 #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 60 pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()]) 61 return pageStories 62 63 #加载并提取页面的内容，加入到列表中 64 def loadPage(self): 65 #如果当前未看的页数少于2页，则加载新一页 66 if self.enable == True: 67 if len(self.stories) < 2: 68 #获取新一页 69 pageStories = self.getPageItems(self.pageIndex) 70 #将该页的段子存放到全局list中 71 if pageStories: 72 self.stories.append(pageStories) 73 #获取完之后页码索引加一，表示下次读取下一页 74 self.pageIndex += 1 75 76 #调用该方法，每次敲回车打印输出一个段子 77 def getOneStory(self,pageStories,page): 78 #遍历一页的段子 79 for story in pageStories: 80 #等待用户输入 81 input = raw_input() 82 #每当输入回车一次，判断一下是否要加载新页面 83 self.loadPage() 84 #如果输入Q则程序结束 85 if input == "Q": 86 self.enable = False 87 return 88 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]) 89 90 #开始方法 91 def start(self): 92 print u"正在读取糗事百科,按回车查看新段子，Q退出" 93 #使变量为True，程序可以正常运行 94 self.enable = True 95 #先加载一页内容 96 self.loadPage() 97 #局部变量，控制当前读到了第几页 98 nowPage = 0 99 while self.enable: 100 if len(self.stories)>0: 101 #从全局list中获取一页的段子 102 pageStories = self.stories[0] 103 #当前读到的页数加一 104 nowPage += 1 105 #将全局list中第一个元素删除，因为已经取出 106 del self.stories[0] 107 #输出该页的段子 108 self.getOneStory(pageStories,nowPage) 109 110 111 spider = QSBK() 112 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，下次继续，欢迎大家继续关注，小伙伴们加油！
作者：程序员私房菜