Python爬虫实战一之爬取糗事百科段子

点我进入原文

另外， 中间遇到两个问题：

1. ascii codec can't decode byte 0xe8 in position 0:ordinal not in range(128)

解决方法：

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

原因是， python 2.xx 默认的 string 是ascii 类型编码， 而网页上一般都是unicode 因而出现问题

2. Python 在 Eclipse报错 Undefined variable from import: setdefaultencoding

经过查阅资料发现， 这只是pydev 的一个bug 而已， 不影响程序运行

这是我们的参考博文写出来的代码，亲测可用

运行效果图：

#coding:utf-8
'''
Created on 2016-5-2
说明： 参考 博文  http://cuiqingcai.com/990.html 实现糗百段子抓取
@author: ThinkPad User
'''

import urllib
import urllib2
import re

class QBSpider():
    '''
    classdocs
    '''  
    
    def __init__(self):
        '''
        Constructor
        '''
        self.pageIndex = 1  
        self.user_agent = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2438.3 Safari/537.36" 
        self.headers = {"User-Agent" : self.user_agent}
        self.stories = []
        self.enable = True
        
    '''获取网页源代码'''
    def getHtml(self, pageIndex):
        import sys
        reload(sys)
        sys.setdefaultencoding('utf-8')
        
        try:
            self.url = "http://www.qiushibaike.com/hot/page/" + str(pageIndex) 
            request = urllib2.Request(self.url, headers = self.headers)
            response = urllib2.urlopen(request)
            return response.read().encode('utf-8')
        except urllib2.URLError, e:
            if hasattr(e, "code"):
                print e.code
            if hasattr(e, "reason"):
                print e.reason
                
    # 加载每页的段子， 存储在 pageStories 中
    def getDuanZi(self, pageIndex):
        content = self.getHtml(pageIndex)
        if not content:
            print "加载异常"
            return None
        
        pageStories = []
        string = r'<div.*?"author.*?</span>.*?<h2>(.*?)</h2>.*?"content">(.*?)</div>(.*?)<div class="stats.*?"number">(.*?)</i>'
        pattern = re.compile(string, re.S)
        res = re.findall(pattern, content)
        for item in res:
            haveimg = re.search("img", item[2])
            if not haveimg:
                replaceBR = re.compile('<br.*?>', re.S)
                text = re.sub(replaceBR, "\n", item[1])
                pageStories.append([item[0].strip(), text.strip(), item[3].strip()])
        return pageStories
    
    # 自动获取后面1页的段子信息， 保证现有段子数 >= 2
    def loadPage(self):
        if len(self.stories) < 2:
            pageStories = self.getDuanZi(self.pageIndex)
            if pageStories:
                self.stories.append(pageStories)
                self.pageIndex += 1
                
                
    def getOneStory(self, pageStories, page):
        for story in pageStories:
            input = raw_input()
            self.loadPage()
            if input == "Q":
                self.enable = False
                return
            print u"第%d页\t发布人:%s\t赞:%s\n%s" %(page,story[0],story[2],story[1])
        
    def start(self):
        print u"正在读取糗百信息， 按回车查看新段子， Q退出"
        self.enable = True
        self.loadPage()
        
        nowpage = 0
        while self.enable:
            if (len(self.stories) > 0):
                pageStories = self.stories[0]
                nowpage += 1
                del self.stories[0]
                self.getOneStory(pageStories, nowpage)
                
if "__main__" == __name__:
    qb = QBSpider()
    qb.start()
            

需要注意的是， 距离作者的原文发布的时间有一段距离了， 糗百的html 代码发生部分变化， 因而 正则表达式模块需要自己重新根据实际情况进行编写~~

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 -*- 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，它竟然报错了，真是时运不济，命途多舛啊

1 2 3

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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

# -*- 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，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

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 ]

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

< 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 >

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

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

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 -*- 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

__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，每一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      #传入某一页的索引获得页面代码      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 "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      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 ] )              #如果不含有图片，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 ) :          #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 :                  #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 )                      #获取完之后页码索引加一，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 ( )              #如果输入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，程序可以正常运行          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，因为已经取出                  del self . stories [ 0 ]                  #输出该页的段子                  self . getOneStory ( pageStories , nowPage )     spider = QSBK ( ) spider . start ( )

好啦，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！

转载请注明：静觅 » Python爬虫实战一之爬取糗事百科段子