爬取糗事百科

目标：１、抓取糗事百科热门段子。２、过滤带有图片的端子。３、实现每按依次回车显示一个段子的发布时间，发布人，段子内容，点赞数。(这个网站不需要登陆，不需要用到cookie)

１、确定ＵＲＬ抓取页面代码
http://www.qiushibaike.com/hot/page/1,其中最后一个数字代表页数。

-*-coding:utf-8-*-import urllibimport urllib2page = 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 as e:    if hasattr(e,'code'):        print e.code    if hasattr(e,'reason'):        print e.reason

运行一下打印出第一页的ＨＴＭＬ代码。

２、提取某一页的所有段子

import urllibimport urllib2import repage = 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}request = urllib2.Request(url,headers = headers)response = urllib2.urlopen(request)content = response.read().decode('utf-8')pattern = re.compile('<div class="article block untagged mb15".*?<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div class="content">.*?<span>(.*?)</span>.*?<span class="stats-vote"><i.*?>(.*?)</i>.*?<span class="stats-comments">.*?<i.*?>(.*?)</i>.*?</span>',re.S)items = re.findall(pattern,content)for item in items:    print item[0],'\n',item[1],'\n',item[2],'\n',item[3]

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，发布内容，点赞数，评论数。

３、完善交互，设计面向对象

我们想要按一下回车，读取一个段子，显示段子发布人内容点赞书和评论数
最终代码如下：

#-*-coding:utf-8 -*-__author__ = 'wy'import urllib2import re#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获得页面代码            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 as e:            if hasattr(e,'reason'):                print u"连接网页失败，错误原因：",e.reason                return None    #传入某一页代码，获得段子列表    def getPageItem(self,pageIndex):        pageCode = self.getpage(pageIndex)        if not pageCode:            print"页面加载失败"            return None        pattern = re.compile('<div class="article block untagged mb15".*?<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div class="content">.*?<span>(.*?)</span>.*?<span class="stats-vote"><i.*?>(.*?)</i>.*?<span class="stats-comments">.*?<i.*?>(.*?)</i>.*?</span>',        re.S)        items = re.findall(pattern, pageCode)        #用来储存每页的段子们        pageStories = []        for item in items:            repalceBR = re.compile('<br/'                                   '>')            text = re.sub(repalceBR,'\n',item[1])            # item[0]是一个段子的发布者，item[1]是内容，item[2]是点赞数,item[３]是评论数            pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[3].strip()])        return pageStories    #将加载提取的页面内容加入到列表    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.getPageItem(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    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赞:%s\t评论:%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()

结果如下：