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

12345678910111213141516

# -*- 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

1 2 3

line373,in_read_status raiseBadStatusLine(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<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) foriteminitems: printitem[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。

1234567

<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

foriteminitems: haveImg=re.search("img",item[3]) ifnothaveImg: printitem[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('<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 -*- importurllib importurllib2 importre importthread importtime #糗事百科爬虫类 classQSBK: #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 defgetPage(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') returnpageCode excepturllib2.URLError,e: ifhasattr(e,"reason"): printu"连接糗事百科失败,错误原因",e.reason returnNone #传入某一页代码，返回本页不带图片的段子列表 defgetPageItems(self,pageIndex): pageCode=self.getPage(pageIndex) ifnotpageCode: print"页面加载失败...." returnNone 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 foriteminitems: #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 ifnothaveImg: 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()]) returnpageStories #加载并提取页面的内容，加入到列表中 defloadPage(self): #如果当前未看的页数少于2页，则加载新一页 ifself.enable==True: iflen(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 ifpageStories: 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 defgetOneStory(self,pageStories,page): #遍历一页的段子 forstoryinpageStories: #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 ifinput=="Q": self.enable=False return printu"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 defstart(self): printu"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 whileself.enable: iflen(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 delself.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