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
| 123456789101112131415 | # -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = \’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
| 123 | 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
| 1234567891011121314151617 | # -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = \’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
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
| 123456 | content = response.read().decode(\’utf-8\’)pattern = re.compile(\' (.*?)\’,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…
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
| 1234 | 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
| 12345678910111213141516171819202122232425 | # -*- coding:utf-8 -*-import urllibimport urllib2import re page = 1url = \’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(\' (.*?)\’,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
| 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788899091 |