Python爬虫实战一之爬取糗事百科段子
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。
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！
更新时间：2015/8/2
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～
更新时间：2016/3/27
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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# -*- coding:utf-8 -*-
urllib
urllib2
1
)
:
)
)
)
:
:
code
:
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
2
3
|
_read_status
)
''
|
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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
# -*- coding:utf-8 -*-
urllib
urllib2
1
)
'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
}
:
)
)
)
:
:
code
:
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
2
3
4
5
6
|
)
+
)
)
:
]
|
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
2
3
4
5
6
7
|
>
>
>
>
>
|
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
2
3
4
|
:
)
:
]
|
现在，整体的代码如下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
# -*- coding:utf-8 -*-
urllib
urllib2
re
1
)
'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
}
:
)
)
)
+
)
)
:
)
:
]
:
:
code
:
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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
|
'CQC'
# -*- coding:utf-8 -*-
urllib
urllib2
re
thread
time
#糗事百科爬虫类
:
#初始化方法，定义一些变量
:
1
'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
#初始化headers
}
#存放段子的变量，每一个元素是每一页的段子们
]
#存放程序是否继续运行的变量
False
#传入某一页的索引获得页面代码
:
:
)
#构建请求的request
)
#利用urlopen获取页面代码
)
#将页面转化为UTF-8编码
)
pageCode
:
:
reason
None
#传入某一页代码，返回本页不带图片的段子列表
:
)
:
None
+
)
)
#用来存储每页的段子们
]
#遍历正则表达式匹配的信息
:
#是否含有图片
)
#如果不含有图片，把它加入list中
:
)
,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
#加载并提取页面的内容，加入到列表中
:
#如果当前未看的页数少于2页，则加载新一页
:
:
#获取新一页
)
#将该页的段子存放到全局list中
:
)
#获取完之后页码索引加一，表示下次读取下一页
1
#调用该方法，每次敲回车打印输出一个段子
:
#遍历一页的段子
:
#等待用户输入
)
#每当输入回车一次，判断一下是否要加载新页面
)
#如果输入Q则程序结束
:
False
return
%(page,story[0],story[2],story[3],story[1])
#开始方法
:
#使变量为True，程序可以正常运行
True
#先加载一页内容
)
#局部变量，控制当前读到了第几页
0
:
:
#从全局list中获取一页的段子
]
#当前读到的页数加一
1
#将全局list中第一个元素删除，因为已经取出
]
#输出该页的段子
)
)
)
|
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！
转载：静觅 » Python爬虫实战一之爬取糗事百科段子