芝麻HTTP：Python爬虫实战之爬取糗事百科段子

时间  2019-11-21
标签 芝麻 http python 爬虫 实战 糗事 百科 段子 栏目 HTTP/TCP 繁體版
原文   原文链接

 

首先，糗事百科你们都据说过吧？糗友们发的搞笑的段子一抓一大把，此次咱们尝试一下用爬虫把他们抓取下来。正则表达式

友情提示

糗事百科在前一段时间进行了改版，致使以前的代码无法用了，会致使没法输出和CPU占用太高的状况，是由于正则表达式没有匹配到的缘故。浏览器

如今，博主已经对程序进行了从新修改，代码亲测可用，包括截图和说明，以前一直在忙因此没有及时更新，望你们海涵！app

更新时间：2015/8/2ide

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，若是你们遇到长时间运行不出结果也不报错的状况，请你们参考最新的评论，热心小伙伴提供的正则来修改下吧～测试

更新时间：2016/3/27优化

本篇目标

1.抓取糗事百科热门段子ui

2.过滤带有图片的段子编码

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。url

糗事百科是不须要登陆的，因此也不必用到Cookie，另外糗事百科有的段子是附图的，咱们把图抓下来图片不便于显示，那么咱们就尝试过滤掉有图的段子吧。spa

好，如今咱们尝试抓取一下糗事百科的热门段子吧，每按下一次回车咱们显示一个段子。

1.肯定URL并抓取页面代码

首先咱们肯定好页面的URL是 http://www.qiushibaike.com/hot/page/1，其中最后一个数字1表明页数，咱们能够传入不一样的值来得到某一页的段子内容。

咱们初步构建以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，它居然报错了，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，咱们加上一个headers验证试试看吧，将代码修改以下

# -*- 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，此次运行终于正常了，打印出了第一页的HTML代码，你们能够运行下代码试试看。在这里运行结果太长就不贴了。

2.提取某一页的全部段子

好，获取了HTML代码以后，咱们开始分析怎样获取某一页的全部段子。

首先咱们审查元素看一下，按浏览器的F12，截图以下

咱们能够看到，每个段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的内容。

如今咱们想获取发布人，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，若是咱们想在控制台显示图片是不现实的，因此咱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。

因此咱们加入以下正则表达式来匹配一下，用到的方法是 re.findall 是找寻全部匹配的内容。方法的用法详情能够看前面说的正则表达式的介绍。

好，咱们的正则表达式匹配语句书写以下，在原来的基础上追加以下代码

content = response.read().decode('utf-8')
pattern = re.compile('<div.*?author">.*?<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],item[3],item[4]

如今正则表达式在这里稍做说明

1）.*? 是一个固定的搭配，.和*表明能够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，也就是咱们会尽量短地作匹配，之后咱们还会大量用到 .*? 的搭配。

2）(.*?)表明一个分组，在这个正则表达式中咱们匹配了五个分组，在后面的遍历item中，item[0]就表明第一个(.*?)所指代的内容，item[1]就表明第二个(.*?)所指代的内容，以此类推。

3）re.S 标志表明在匹配时为点任意匹配模式，点 . 也能够表明换行符。

这样咱们就获取了发布人，发布时间，发布内容，附加图片以及点赞数。

在这里注意一下，咱们要获取的内容若是是带有图片，直接输出出来比较繁琐，因此这里咱们只获取不带图片的段子就行了。

因此，在这里咱们就须要对带图片的段子进行过滤。

咱们能够发现，带有图片的段子会带有相似下面的代码，而不带图片的则没有，因此，咱们的正则表达式的item[3]就是获取了下面的内容，若是不带图片，item[3]获取的内容即是空。

<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>

因此咱们只须要判断item[3]中是否含有img标签就能够了。

好，咱们再把上述代码中的for循环改成下面的样子

for item in items:
        haveImg = re.search("img",item[3])
        if not haveImg:
            print item[0],item[1],item[2],item[4]

如今，总体的代码以下

# -*- 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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
                         'content">(.*?)<!--(.*?)-->.*?</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。是否是很开森？

3.完善交互，设计面向对象模式

好啦，如今最核心的部分咱们已经完成啦，剩下的就是修一下边边角角的东西，咱们想达到的目的是：

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。

另外咱们须要设计面向对象模式，引入类和方法，将代码作一下优化和封装，最后，咱们的代码以下所示

__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
    #传入某一页的索引得到页面代码
    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"链接糗事百科失败,错误缘由",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.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
                         'content">(.*?)<!--(.*?)-->.*?</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])
            #若是不含有图片，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]是发布时间,item[4]是点赞数
                pageStories.append([item[0].strip(),text.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):
        #若是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)
                    #获取完以后页码索引加一，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()
            #若是输入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\t赞:%s\n%s" %(page,story[0],story[2],story[3],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，程序能够正常运行
        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，由于已经取出
                del self.stories[0]
                #输出该页的段子
                self.getOneStory(pageStories,nowPage)
 
 
spider = QSBK()
spider.start()

 

好啦，你们来测试一下吧，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，是否是感受爽爆了！

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程