首先，糗事百科大家都聽說過吧？糗友們發的搞笑的段子一抓一大把，這次我們嘗試一下用爬蟲把他們抓取下來。
友情提示
糗事百科在前一段時間進行了改版，導緻之前的代碼沒法用了，會導緻無法輸出和CPU占用過高的情況，是因為正規表達式沒有比對到的緣故。
現在，部落客已經對程式進行了重新修改，代碼親測可用，包括截圖和說明，之前一直在忙是以沒有及時更新，望大家海涵！
糗事百科又又又又改版了，部落客已經沒心再去一次次比對它了，如果大家遇到長時間運作不出結果也不報錯的情況，請大家參考最新的評論，熱心小夥伴提供的正則來修改下吧～
本篇目标
1.抓取糗事百科熱門段子
2.過濾帶有圖檔的段子
3.實作每按一次回車顯示一個段子的釋出時間，釋出人，段子内容，點贊數。
糗事百科是不需要登入的，是以也沒必要用到Cookie，另外糗事百科有的段子是附圖的，我們把圖抓下來圖檔不便于顯示，那麼我們就嘗試過濾掉有圖的段子吧。
好，現在我們嘗試抓取一下糗事百科的熱門段子吧，每按下一次回車我們顯示一個段子。
1.确定URL并抓取頁面代碼
首先我們确定好頁面的URL是 http://www.qiushibaike.com/hot/page/1，其中最後一個數字1代表頁數，我們可以傳入不同的值來獲得某一頁的段子内容。
我們初步建構如下的代碼來列印頁面代碼内容試試看，先構造最基本的頁面抓取方式，看看會不會成功
# -*- 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
運作程式，哦不，它竟然報錯了，真是時運不濟，命途多舛啊
line 373, in _read_status
raise BadStatusLine(line)
httplib.BadStatusLine: ''
好吧，應該是headers驗證的問題，我們加上一個headers驗證試試看吧，将代碼修改如下
# -*- 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，這次運作終于正常了，列印出了第一頁的HTML代碼，大家可以運作下代碼試試看。在這裡運作結果太長就不貼了。
2.提取某一頁的所有段子
好，擷取了HTML代碼之後，我們開始分析怎樣擷取某一頁的所有段子。
首先我們審查元素看一下，按浏覽器的F12，截圖如下
我們可以看到，每一個段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的内容。
現在我們想擷取釋出人，釋出日期，段子内容，以及點贊的個數。不過另外注意的是，段子有些是帶圖檔的，如果我們想在控制台顯示圖檔是不現實的，是以我們直接把帶有圖檔的段子給它剔除掉，隻儲存僅含文本的段子。
是以我們加入如下正規表達式來比對一下，用到的方法是 re.findall 是找尋所有比對的内容。方法的用法詳情可以看前面說的正規表達式的介紹。
好，我們的正規表達式比對語句書寫如下，在原來的基礎上追加如下代碼
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]
現在正規表達式在這裡稍作說明
1）.*? 是一個固定的搭配，.和*代表可以比對任意無限多個字元，加上？表示使用非貪婪模式進行比對，也就是我們會盡可能短地做比對，以後我們還會大量用到 .*? 的搭配。
2）(.*?)代表一個分組，在這個正規表達式中我們比對了五個分組，在後面的周遊item中，item[0]就代表第一個(.*?)所指代的内容，item[1]就代表第二個(.*?)所指代的内容，以此類推。
3）re.S 标志代表在比對時為點任意比對模式，點 . 也可以代表換行符。
這樣我們就擷取了釋出人，釋出時間，釋出内容，附加圖檔以及點贊數。
在這裡注意一下，我們要擷取的内容如果是帶有圖檔，直接輸出出來比較繁瑣，是以這裡我們隻擷取不帶圖檔的段子就好了。
是以，在這裡我們就需要對帶圖檔的段子進行過濾。
我們可以發現，帶有圖檔的段子會帶有類似下面的代碼，而不帶圖檔的則沒有，是以，我們的正規表達式的item[3]就是擷取了下面的内容，如果不帶圖檔，item[3]擷取的内容便是空。
<div class="thumb">
<a href="/article/112061287?list=hot&s=4794990" target="_blank">
<img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他們依然樂觀">
</a>
</div>
是以我們隻需要判斷item[3]中是否含有img标簽就可以了。
好，我們再把上述代碼中的for循環改為下面的樣子
for item in items:
haveImg = re.search("img",item[3])
if not haveImg:
print item[0],item[1],item[2],item[4]
現在，整體的代碼如下
# -*- 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
運作一下看下效果
恩，帶有圖檔的段子已經被剔除啦。是不是很開森？
3.完善互動，設計面向對象模式
好啦，現在最核心的部分我們已經完成啦，剩下的就是修一下邊邊角角的東西，我們想達到的目的是：
按下回車，讀取一個段子，顯示出段子的釋出人，釋出日期，内容以及點贊個數。
另外我們需要設計面向對象模式，引入類和方法，将代碼做一下優化和封裝，最後，我們的代碼如下所示
__author__ = 'CQC'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
#糗事百科爬蟲類
class QSBK:
#初始化方法，定義一些變量
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 }
#存放段子的變量，每一個元素是每一頁的段子們
self.stories = []
#存放程式是否繼續運作的變量
self.enable = False
#傳入某一頁的索引獲得頁面代碼
def getPage(self,pageIndex):
try:
url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
#建構請求的request
request = urllib2.Request(url,headers = self.headers)
#利用urlopen擷取頁面代碼
response = urllib2.urlopen(request)
#将頁面轉化為UTF-8編碼
pageCode = response.read().decode('utf-8')
return pageCode
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"連接配接糗事百科失敗,錯誤原因",e.reason
return None
#傳入某一頁代碼，傳回本頁不帶圖檔的段子清單
def getPageItems(self,pageIndex):
pageCode = self.getPage(pageIndex)
if not pageCode:
print "頁面加載失敗...."
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)
#用來存儲每頁的段子們
pageStories = []
#周遊正規表達式比對的資訊
for item in items:
#是否含有圖檔
haveImg = re.search("img",item[3])
#如果不含有圖檔，把它加入list中
if not haveImg:
replaceBR = re.compile('<br/>')
text = re.sub(replaceBR,"\n",item[1])
#item[0]是一個段子的釋出者，item[1]是内容，item[2]是釋出時間,item[4]是點贊數
pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])
return pageStories
#加載并提取頁面的内容，加入到清單中
def loadPage(self):
#如果目前未看的頁數少于2頁，則加載新一頁
if self.enable == True:
if len(self.stories) < 2:
#擷取新一頁
pageStories = self.getPageItems(self.pageIndex)
#将該頁的段子存放到全局list中
if pageStories:
self.stories.append(pageStories)
#擷取完之後頁碼索引加一，表示下次讀取下一頁
self.pageIndex += 1
#調用該方法，每次敲回車列印輸出一個段子
def getOneStory(self,pageStories,page):
#周遊一頁的段子
for story in pageStories:
#等待使用者輸入
input = raw_input()
#每當輸入回車一次，判斷一下是否要加載新頁面
self.loadPage()
#如果輸入Q則程式結束
if input == "Q":
self.enable = False
return
print u"第%d頁\t釋出人:%s\t釋出時間:%s\t贊:%s\n%s" %(page,story[0],story[2],story[3],story[1])
#開始方法
def start(self):
print u"正在讀取糗事百科,按回車檢視新段子，Q退出"
#使變量為True，程式可以正常運作
self.enable = True
#先加載一頁内容
self.loadPage()
#局部變量，控制目前讀到了第幾頁
nowPage = 0
while self.enable:
if len(self.stories)>0:
#從全局list中擷取一頁的段子
pageStories = self.stories[0]
#目前讀到的頁數加一
nowPage += 1
#将全局list中第一個元素删除，因為已經取出
del self.stories[0]
#輸出該頁的段子
self.getOneStory(pageStories,nowPage)
spider = QSBK()
spider.start()
好啦，大家來測試一下吧，點一下回車會輸出一個段子，包括釋出人，釋出時間，段子内容以及點贊數，是不是感覺爽爆了！
原文釋出時間為：2018-11-23
本文來自雲栖社群合作夥伴“
燈塔大資料”，了解相關資訊可以關注“
”。