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 sysreload(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 urllibimport urllib2import reclass 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

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

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)

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。

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

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

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 -*-

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