Python3写爬虫（五）爬取糗事百科段子

最近几天开始用Python3改写网上用Python2写的案例，发现完全可以用Python3来重构Python2的源码。本篇文章，借用一篇《Python爬虫实战一之爬取糗事百科段子》博文，写出它的Python3版本。这是一篇非常好的文章，从局部开始，然后逐步完成一个案例。下面就是它的Python3实现～

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。

import urllib.request
 
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 = urllib.request.Request(url,headers = headers)
    response = urllib.request.urlopen(request).read()
    content=response.decode('utf-8')    
    print(content)
except urllib.error.URLError as e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason

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。下面内容在我前面的博客中有介绍，就是利用re模块正则表达式检索捕获的页面内容：

pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
                     '="content".*?title="(.*?)">(.*?)</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])

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…

<div class=”thumb”>

<a href=”/article/100705418?list=hot&s=4747301″ target=”_blank” onclick=”_hmt.push([‘_trackEvent’, ‘post’, ‘click’, ‘signlePost’])”>
<img src=”http://pic.qiushibaike.com/system/pictures/10070/100705418/medium/app100705418.jpg” alt=”糗事#100705418″ />
</a>

</div>

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：

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

现在整体代码如下：

import urllib.request
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 = urllib.request.Request(url,headers = headers)
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
                         '="content".*?title="(.*?)">(.*?)</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 urllib.error.URLError as e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason

运行一下看下效果，已经剔除掉含图片的段子

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，最后要设计出：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：

#!/usr/bin/env python3
__author__="BALUW"
import urllib.request
import urllib
import re

#糗事百科爬虫类
class QSSPider:
    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，每一个元素是每一页的段子们
        self.stories=[]
        #存放程序是否继续进行的变量
        self.enable=False
    
    #传入某一页的索引,获得页面代码
    #返回页面代码
    def getPage(self,pageIndex ):
        try:   
            url="http://www.qiushibaike.com/hot/page/"+str(pageIndex)
            request=urllib.request.Request(url,headers=self.headers)
            response=urllib.request.urlopen(request).read()
            pageCode=response.decode("utf-8")
            return pageCode
        except urllib.error.URLError as e:
            if hasattr(e,"reason"):
                print("连接糗事百科失败，错误原因：",e.reason)
                return None
    
    #传入某一页代码，返回本页不带图片的段子列表
    #返回段子列表
    def getPageItems(self,pageIndex):
        pageStories=[]
        pageCode=self.getPage(pageIndex)
        if not pageCode:
            print("页面加载失败…………")
        pattern=re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+'="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
        items=re.findall(pattern,pageCode)
        for item in items:
            haveImg=re.search("img",item[3])
            if not haveImg:
                #item[0]是一个段子的发布者，item[1]是发布时间,item[2]是内容，item[4]是点赞数
                pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[4].strip()])
        return pageStories
    
    
    #加载并提取页面内容，加入到列表中
    def loadPage(self):
        #如果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:
                pageStories=self.getPageItems(self.pageIndex)
                #将该页面的段子放入全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    self.pageIndex+=1
    
    
    #调用该方法，每次敲击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
            inputx=input()
            #每当输入一次回车，判断一下是否要加载新页面
            self.loadPage()
            #输入Q则程序结束
            if inputx=="Q":
                self.enable=False
                return
            print("第{0}页\t发布人：{1}\t发布时间：{2}\n{3}\n赞：{4}\n".format(page,story[0],story[1],story[2],story[3]))
    
    
    def start(self):
        print("正在读取糗事百科，按回车查看新段子，Q退出")
        #使变量为True，程序可以正常运行
        self.enable=True
        #先载入一个页面的段子
        self.loadPage()

        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]
                nowPage+=1
                #将全局list中第一个元素删除，因为已经取出
                del self.stories[0]
                #输出该页的段子
                self.getOneStory(pageStories,nowPage)

#--------程序入口---------
print("""
------------------------------------
   程序：糗百爬虫  
   版本：1.1  
   作者：baluw  
   日期：2015-04-19  
   语言：Python 3.4   
   功能：捕获糗事百科上的文字段子  
------------------------------------
""")
spider=QSSPider()
spider.start()
#--------程序入口---------

看看运行效果【这个是我用Python3改写的，不是原博客的，原文章真是好文章，因为它解决了我前一篇文章中存在的问题，并且代码更加优美】：