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 # -*- coding:utf-8 -*- 2 import urllib 3 import urllib2 4 5 6 page = 1 7 url = 'http://www.qiushibaike.com/hot/page/' + str(page) 8 try: 9 request = urllib2.Request(url) 10 response = urllib2.urlopen(request) 11 print response.read() 12 except urllib2.URLError, e: 13 if hasattr(e,"code"): 14 print e.code 15 if hasattr(e,"reason"): 16 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
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 # -*- coding:utf-8 -*- 2 import urllib 3 import urllib2 4 5 6 page = 1 7 url = 'http://www.qiushibaike.com/hot/page/' + str(page) 8 #url = 'http://www.qiushibaike.com/hot/' 9 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 10 headers = { 'User-Agent' : user_agent} 11 try: 12 request = urllib2.Request(url,headers = headers) 13 response = urllib2.urlopen(request) 14 print response.read() 15 except urllib2.URLError, e: 16 if hasattr(e,"code"): 17 print e.code 18 if hasattr(e,"reason"): 19 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
content = response.read().decode('utf-8') pattern = re.compile('h2>(.*?)</h2.*?content">(.*?)</.*?number">(.*?)</',re.S) items = re.findall(pattern,content) for item in items: print item[0],item[1],item[2]
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匹配的时候不去匹配这些就行了
<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>
现在，整体的代码如下
1 # -*- coding:utf-8 -*- 2 import urllib 3 import urllib2 4 import re 5 import sys # 1 6 7 reload(sys) # 2 8 sys.setdefaultencoding('utf-8') # 3 9 page = 2 10 url = 'http://www.qiushibaike.com/hot/page/' + str(page) 11 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 12 headers = { 'User-Agent' : user_agent } 13 try: 14 request = urllib2.Request(url,headers = headers) 15 response = urllib2.urlopen(request) 16 content = response.read().decode('utf-8') 17 #pattern = re.compile('<div.*?author clearfix">.*?<h2>(.*?)</h2>.*?<div class="content">(.*?)</div>.*?' + 18 # '<div.*?stats-vote.*?number>(.*?)</i>.*?<span class="stats-comments.*?number">(.*?)</i>.*?</div>',re.S) 19 pattern = re.compile('h2>(.*?)</h2.*?content">(.*?)</.*?number">(.*?)</',re.S) 20 #pattern = re.compile('<div.*?author clearfix">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+ 21 # 'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S) 22 items = re.findall(pattern,content) 23 for item in items: 24 print item[0],item[1],item[2] 25 except urllib2.URLError, e: 26 if hasattr(e,"code"): 27 print e.code 28 if hasattr(e,"reason"): 29 print e.reason
运行一下看下效果
1 逆风飞翔11 2 3 哥们的老婆分娩在即，问我哥们：“如果我要生了，你应该送我去哪里？”<br/><br/>“医院!”他毫不犹豫地说。<br/><br/>“医院的哪个地方？”他老婆担心他到时惊慌失措，又问道。<br/><br/>哥们儿想了想，肯定地说：“解剖室！” 4 5 6270 6 日啦啦啦啦 7 8 以前只在图片上看过，这次见到实物了 9 10 336 11 听说名字长才能娶 12 13 小时候调皮，玩的时候一不小心用脚踩死了一只鸡仔，被爸爸追着打，边追边问：你怎么踩死的，你怎么踩死的啊！我一边哭一边拿着一个鸡仔放在脚底踩了下去说：就是这样踩死的。那顿打，简直就是昏天黑地 14 15 7452 16 医然为你 17 18 儿子看动画片，熊出没。<br/><br/>我：儿子！你要当熊大还是熊二？<br/><br/>儿子：我要当光头强！！<br/><br/>我：为什么？<br/><br/>儿子：因为他是人。。<br/><br/>我：……… 19 20 4324 21 你慢慢笑 22 23 几个人吵架，吵得正凶，有一大汉正要开始动手，对方猛叫“大哥，别介呀，吵得好好的，干嘛要动手呢” 24 25 9336 26 你昵称有我的随便 27 28 楼主一苦逼橱柜安装工，最近太忙想招一学徒。把招聘信息发到各大群里，没有一人咨询。于是我又在后面加了一条：“因要经常与单身女客户独处，故要求学徒不能太色！”呵呵，现在我手机响个不停了。 29 30 4691 31 狱锁狂龙魔 32 33 今天旷课去打游戏，8点才回家看来要被打了，一听有客人，太好了进去一看原来是班主任，这下完了。 34 35 5019 36 李木手杖 37 38 人没钱不如鬼，汤没盐不如水，你会慢慢发现，一颗好心，永远比不上一张好嘴。这句话是多么的现实。会做的不如会说的。 39 40 9438 41 挖鼻孔的老虎 42 43 现在的小孩真让人哭笑不得。<br/>刚刚，三个小屁孩在小区里玩。一个女孩跟一男孩说:“我来演妈妈，你演爸爸。”然后，她指着另一个男孩说:“你演隔壁老王。” 44 45 10044 46 迷恋你的小裤衩 47 48 男:你猜猜我是谁？<br/>女:一巴掌呼了过去。<br/>男:你为什么打我呀？<br/>女:人家让猜我是谁都是捂眼睛的，你TM捂着我的胸是几个意思？ 49 50 5232
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 # -*- coding:utf-8 -*- 2 import urllib 3 import urllib2 4 import re 5 import sys # 1 6 import thread 7 import time 8 9 #糗事百科爬虫类 10 class QSBK(object): 11 """docstring for QSBK""" 12 def __init__(self): 13 reload(sys) # 2 14 sys.setdefaultencoding('utf-8') # 3 15 self.pageIndex = 1 16 self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 17 #初始化headers 18 self.headers = { 'User-Agent' : self.user_agent } 19 #存放段子的变量，每一个元素是每一页的段子们 20 self.stories = [] 21 #存放程序是否继续运行的变量 22 self.enable = False 23 24 #加载并提取页面的内容，加入到列表中 25 def loadPage(self): 26 #如果当前未看的页数少于2页，则加载新一页 27 if self.enable == True: 28 if len(self.stories) < 2: 29 #获取新一页 30 pageStories = self.getPageItems(self.pageIndex) 31 #将该页的段子存放到全局list中 32 if pageStories: 33 self.stories.append(pageStories) 34 #获取完之后页码索引加一，表示下次读取下一页 35 self.pageIndex += 1 36 37 def getPage(self,pageIndex): 38 try: 39 url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex) 40 request = urllib2.Request(url,headers=self.headers) 41 response = urllib2.urlopen(request) 42 pageCode = response.read().decode('utf-8') 43 return pageCode 44 except urllib2.URLError, e: 45 if hasattr(e,"code"): 46 print e.code 47 if hasattr(e,"reason"): 48 print e.reason 49 return None 50 51 #传入某一页代码，返回本页不带图片的段子列表 52 def getPageItems(self,pageIndex): 53 pageCode = self.getPage(pageIndex) 54 if not pageCode: 55 print "页面加载失败...." 56 return None 57 pattern = re.compile('h2>(.*?)</h2.*?content">(.*?)</.*?number">(.*?)</',re.S) 58 items = re.findall(pattern,pageCode) 59 #用来存储每页的段子们 60 pageStories = [] 61 #遍历正则表达式匹配的信息 62 for item in items: 63 replaceBR = re.compile('<br/>') 64 text = re.sub(replaceBR," ",item[1]) 65 #item[0]是一个段子的发布者，item[1]是内容，item[2]是点赞数 66 pageStories.append([item[0].strip(),text.strip(),item[2].strip()]) 67 return pageStories 68 69 def getOneStory(self,pageStories,page): 70 for story in pageStories: 71 input = raw_input() 72 self.loadPage() 73 if input == "Q": 74 self.enable = False 75 return 76 print u"第%d页 发布人：%s 赞：%s %s" %(page,story[0],story[2],story[1]) 77 78 def start(self): 79 print u"正在读取糗事百科,按回车查看新段子，Q退出" 80 #使变量为True，程序可以正常运行 81 self.enable = True 82 #先加载一页内容 83 self.loadPage() 84 #局部变量，控制当前读到了第几页 85 nowPage = 0 86 while self.enable: 87 if len(self.stories)>0: 88 #从全局list中获取一页的段子 89 pageStories = self.stories[0] 90 #当前读到的页数加一 91 nowPage += 1 92 #将全局list中第一个元素删除，因为已经取出 93 del self.stories[0] 94 #输出该页的段子 95 self.getOneStory(pageStories,nowPage) 96 97 if __name__ == '__main__': 98 spider = QSBK() 99 spider.start()
运行效果：
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！