第一次爬虫实战--爬取糗事百科段子

第一波：先尝试构造最基本的页面抓取方式

# -*- coding:utf-8 -*-                               #让中文能运行
import urllib
import urllib2

page = 1                                                 #设置页数参数
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
try:                                                          #用一个try,except语句来尝试抓取
    request = urllib2.Request(url)            #通常我们先构造Request

    response = urllib2.urlopen(request)   #再用urlopen去打开它
    print response.read()                          #记住用read()才能把它读出
except urllib2.URLError, e:
    if hasattr(e,"code"):                             #hasattr()是判断该对象是否有该属性
        print e.code                                    #打出错误代码
    if hasattr(e,"reason"):
        print e.reason                                 #打出错误原因

结果：失败了，可能是服务器拒绝了我们的爬虫访问，那么我们可以尝试设置headers信息来伪装成用户。

第二波：加上headers信息

# -*- 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)'      #User-Agent声明了浏览器用于 HTTP 请求的用户代理头的值。这是设置headers必不可少的。
headers = { 'User-Agent' : user_agent }                #通过一个字典来构造headers
try:
    request = urllib2.Request(url,headers = headers)           #headers是Request其中一个参数
    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

结果：成功打出了第一页的HTML代码！

第三波：我们现在开始尝试获取某一页的所有段子（以及发布人，发布日期，段子内容，点赞个数）

1.F12查看源代码，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。

2.我们要注意有些段子是带图片的，而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。

第三点半波：通过正则表达式获取想要的内容（内容包括用户名，段子内容和点赞数）

在之前代码加上这段：

content = response.read().decode('utf-8')            #decode的作用是转换编码
pattern = re.compile('<div.*?author clearfix">.*?<a.*?<h2>(.*?)</h2>.*?<div.*?<span>(.*?)</span>.*?<i.*?number">(.*?)</i>',re.S)

                                #我们可以通过compile方法编译生成一个pattern对象，然后我们利用这个对象来进行进一步的匹配。正则表达式稍后说明
items = re.findall(pattern,content)                        #这里用re模块的findall方法搜索content，以列表形式返回全部能匹配的子串
for item in items:
    print item[0],"\n",item[1],"\n",item[2],"\n\n\n"

正则表达式几点说明：

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。

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。

4）正则表达式是个坑.................多查资料多练手。

第四波：我们现在想要做到按下回车就读取一个段子，显示出段子的各种信息。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。

# -*- coding:utf-8 -*-import urllibimport urllib2import reimport threadimport time# 糗事百科爬虫类class QSBK:    # 初始化方法，定义一些变量    def __init__(self):#_init_()相当于是构造函数，用来初始化实例的值.这些值一般要供其他方法调用        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')            return pageCode        except urllib2.URLError, e:            if hasattr(e, "reason"):                print u"连接糗事百科失败,错误原因", e.reason                return None    # 传入某一页代码，返回本页不带图片的段子列表    def getPageItems(self, pageIndex):        pageCode = self.getPage(pageIndex)        if not pageCode:       #居然还可以这样用            print "页面加载失败...."            return None        pattern = re.compile('<div.*?author clearfix">.*?<a.*?<h2>(.*?)</h2>.*?<div.*?<span>(.*?)</span>.*?<i.*?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        for item in items:            # 是否含有图片            replaceBR = re.compile('<br/>')            text = re.sub(replaceBR, "\n", item[1])#将<br/>替换成\n            # 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()])            pageStories.append([item[0],text,item[2]])            return pageStories        print item[0], "\n\n", item[1], "\n\n", item[2], "\n\n\n"    # 加载并提取页面的内容，加入到列表中    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.getPageItems(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    # 调用该方法，每次敲回车打印输出一个段子    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发布时间:%s\t赞:%s\n%s" % (page, story[0], story[2], story[3], story[1])            print u"第%d页\t发布人:%s\t赞:%s\n%s" % (page, story[0], story[2], 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()#调用其中的开始函数

该站结构随时可能变化，正则表达式相应改变就是了。

爬虫是个坑，加油吧......