Python2爬蟲中爬取糗事百科段子的案例分析

這篇文章給大家分享的是有關(guān)Python2爬蟲中爬取糗事百科段子的案例分析的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考。一起跟隨小編過來看看吧。

首先，糗事百科大家都聽說過吧？糗友們發(fā)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。

本篇目標(biāo)

1.抓取糗事百科熱門段子；

2.過濾帶有圖片的段子；

3.實(shí)現(xiàn)每按一次回車顯示一個(gè)段子的發(fā)布時(shí)間，發(fā)布人，段子內(nèi)容，點(diǎn)贊數(shù)。

糗事百科是不需要登錄的，所以也沒必要用到Cookie，另外糗事百科有的段子是附圖的，我們把圖抓下來圖片不便于顯示，那么我們就嘗試過濾掉有圖的段子吧。

好，現(xiàn)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(gè)段子。

1.確定URL并抓取頁(yè)面代碼

首先我們確定好頁(yè)面的URL是 http://www.qiushibaike.com/hot/page/1，其中最后一個(gè)數(shù)字1代表頁(yè)數(shù)，我們可以傳入不同的值來獲得某一頁(yè)的段子內(nèi)容。

我們初步構(gòu)建如下的代碼來打印頁(yè)面代碼內(nèi)容試試看，先構(gòu)造最基本的頁(yè)面抓取方式，看看會(huì)不會(huì)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(yùn)行程序，哦不，它竟然報(bào)錯(cuò)了，真是時(shí)運(yùn)不濟(jì)，命途多舛啊。

line 373, in _read_status
 raise BadStatusLine(line)
httplib.BadStatusLine: ''

好吧，應(yīng)該是headers驗(yàn)證的問題，我們加上一個(gè)headers驗(yàn)證試試看吧，將代碼修改如下：

# -*- 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(yùn)行終于正常了，打印出了第一頁(yè)的HTML代碼，大家可以運(yùn)行下代碼試試看。在這里運(yùn)行結(jié)果太長(zhǎng)就不貼了。

2.提取某一頁(yè)的所有段子

好，獲取了HTML代碼之后，我們開始分析怎樣獲取某一頁(yè)的所有段子。

首先我們審查元素看一下，按瀏覽器的F12，截圖如下：

我們可以看到，每一個(gè)段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的內(nèi)容。

現(xiàn)在我們想獲取發(fā)布人，發(fā)布日期，段子內(nèi)容，以及點(diǎn)贊的個(gè)數(shù)。不過另外注意的是，段子有些是帶圖片的，如果我們想在控制臺(tái)顯示圖片是不現(xiàn)實(shí)的，所以我們直接把帶有圖片的段子給它剔除掉，只保存僅含文本的段子。

所以我們加入如下正則表達(dá)式來匹配一下，用到的方法是 re.findall 是找尋所有匹配的內(nèi)容。方法的用法詳情可以看前面說的正則表達(dá)式的介紹。

好，我們的正則表達(dá)式匹配語句書寫如下，在原來的基礎(chǔ)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(xiàn)在正則表達(dá)式在這里稍作說明

1）.*? 是一個(gè)固定的搭配，.和*代表可以匹配任意無限多個(gè)字符，加上？表示使用非貪婪模式進(jìn)行匹配，也就是我們會(huì)盡可能短地做匹配，以后我們還會(huì)大量用到 .*? 的搭配。

2）(.*?)代表一個(gè)分組，在這個(gè)正則表達(dá)式中我們匹配了五個(gè)分組，在后面的遍歷item中，item[0]就代表第一個(gè)(.*?)所指代的內(nèi)容，item[1]就代表第二個(gè)(.*?)所指代的內(nèi)容，以此類推。

3）re.S 標(biāo)志代表在匹配時(shí)為點(diǎn)任意匹配模式，點(diǎn) . 也可以代表?yè)Q行符。

這樣我們就獲取了發(fā)布人，發(fā)布時(shí)間，發(fā)布內(nèi)容，附加圖片以及點(diǎn)贊數(shù)。

在這里注意一下，我們要獲取的內(nèi)容如果是帶有圖片，直接輸出出來比較繁瑣，所以這里我們只獲取不帶圖片的段子就好了。

所以，在這里我們就需要對(duì)帶圖片的段子進(jìn)行過濾。

我們可以發(fā)現(xiàn)，帶有圖片的段子會(huì)帶有類似下面的代碼，而不帶圖片的則沒有，所以，我們的正則表達(dá)式的item[3]就是獲取了下面的內(nèi)容，如果不帶圖片，item[3]獲取的內(nèi)容便是空。

<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="但他們依然樂觀">
</a>
</div>

所以我們只需要判斷item[3]中是否含有img標(biāo)簽就可以了。

好，我們?cè)侔焉鲜龃a中的for循環(huán)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(xiàn)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(yùn)行一下看下效果：

恩，帶有圖片的段子已經(jīng)被剔除啦。是不是很開森？

3.完善交互，設(shè)計(jì)面向?qū)ο竽Ｊ?/strong>

好啦，現(xiàn)在最核心的部分我們已經(jīng)完成啦，剩下的就是修一下邊邊角角的東西，我們想達(dá)到的目的是：

按下回車，讀取一個(gè)段子，顯示出段子的發(fā)布人，發(fā)布日期，內(nèi)容以及點(diǎn)贊個(gè)數(shù)。

另外我們需要設(shè)計(jì)面向?qū)ο竽Ｊ?，引入類和方法，將代碼做一下優(yōu)化和封裝，最后，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(gè)元素是每一頁(yè)的段子們
        self.stories = []
        #存放程序是否繼續(xù)運(yùn)行的變量
        self.enable = False
    #傳入某一頁(yè)的索引獲得頁(yè)面代碼
    def getPage(self,pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            #構(gòu)建請(qǐng)求的request
            request = urllib2.Request(url,headers = self.headers)
            #利用urlopen獲取頁(yè)面代碼
            response = urllib2.urlopen(request)
            #將頁(yè)面轉(zhuǎn)化為UTF-8編碼
            pageCode = response.read().decode('utf-8')
            return pageCode
        except urllib2.URLError, e:
            if hasattr(e,"reason"):
                print u"連接糗事百科失敗,錯(cuò)誤原因",e.reason
                return None
    #傳入某一頁(yè)代碼，返回本頁(yè)不帶圖片的段子列表
    def getPageItems(self,pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print "頁(yè)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(chǔ)每頁(yè)的段子們
        pageStories = []
        #遍歷正則表達(dá)式匹配的信息
        for item in items:
            #是否含有圖片
            haveImg = re.search("img",item[3])
            #如果不含有圖片，把它加入list中
            if not haveImg:
                replaceBR = re.compile('<br/>')
                text = re.sub(replaceBR,"\n",item[1])
                #item[0]是一個(gè)段子的發(fā)布者，item[1]是內(nèi)容，item[2]是發(fā)布時(shí)間,item[4]是點(diǎn)贊數(shù)
                pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])
        return pageStories
    #加載并提取頁(yè)面的內(nèi)容，加入到列表中
    def loadPage(self):
        #如果當(dāng)前未看的頁(yè)數(shù)少于2頁(yè)，則加載新一頁(yè)
        if self.enable == True:
            if len(self.stories) < 2:
                #獲取新一頁(yè)
                pageStories = self.getPageItems(self.pageIndex)
                #將該頁(yè)的段子存放到全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    #獲取完之后頁(yè)碼索引加一，表示下次讀取下一頁(yè)
                    self.pageIndex += 1
    
    #調(diào)用該方法，每次敲回車打印輸出一個(gè)段子
    def getOneStory(self,pageStories,page):
        #遍歷一頁(yè)的段子
        for story in pageStories:
            #等待用戶輸入
            input = raw_input()
            #每當(dāng)輸入回車一次，判斷一下是否要加載新頁(yè)面
            self.loadPage()
            #如果輸入Q則程序結(jié)束
            if input == "Q":
                self.enable = False
                return
            print u"第%d頁(yè)\t發(fā)布人:%s\t發(fā)布時(shí)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,按回車查看新段子，Q退出"
        #使變量為True，程序可以正常運(yùn)行
        self.enable = True
        #先加載一頁(yè)內(nèi)容
        self.loadPage()
        #局部變量，控制當(dāng)前讀到了第幾頁(yè)
        nowPage = 0
        while self.enable:
            if len(self.stories)>0:
                #從全局list中獲取一頁(yè)的段子
                pageStories = self.stories[0]
                #當(dāng)前讀到的頁(yè)數(shù)加一
                nowPage += 1
                #將全局list中第一個(gè)元素刪除，因?yàn)橐呀?jīng)取出
                del self.stories[0]
                #輸出該頁(yè)的段子
                self.getOneStory(pageStories,nowPage)
spider = QSBK()
spider.start()

好啦，大家來測(cè)試一下吧，點(diǎn)一下回車會(huì)輸出一個(gè)段子，包括發(fā)布人，發(fā)布時(shí)間，段子內(nèi)容以及點(diǎn)贊數(shù)，是不是感覺爽爆了！

感謝各位的閱讀！關(guān)于Python2爬蟲中爬取糗事百科段子的案例分析就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！