Python抓取糗事百科网页信息以及源码下载

最近学习了一段时间的python，看书觉得挺简单，但是到真正高代码实现，确实不熟，下面这个东西搞了一下午时间，在别人的基础上改的，就这样也搞了一下午。算是有点入门了吧，不过，学习新东西，最快的方法就是用新东西做一些东西出来。
好了，废话不多说了，先看看糗事百科的页面什么效果：

注意看网址：
http://www.qiushibaike.com/hot/page/1#

代码中就是使用这个网址获取网页中的信息的。网址中的1代表第一页，该数字累加，就是不同页的信息。
每一页显示20条糗事，每条糗事有头像，用户姓名，糗事内容，糗事内容图片（该图片可有可无，没有图片的话，糗事内容就是纯文本形式），以及点赞或者好笑数量。

如图所示，就是典型的糗事百科的一条糗事的内容信息。

打开网址之后，F12进入开发者工具，截图如下：

图中的每个div就是一条糗事，总共20条，代表第一页的20条。
点开第一个div的糗事，查看html代码如下：

我在图中标注了每个html标签中所对应的网页端显示的内容的对应关系。可以看出有一定的规律可循。我们使用的python进行网页解析就是使用python中的正则表达式进行解析的，非常方便易用。

pattern = re.compile('<div.*?class="author.*?<a.*?>.*?<img src=(.*?).alt=.*?>.*?</a>.*?<a.*?>.*?<h2>(.*?)</h2>.*?</a>.*?<div.*?class'+
                         '="content".*?>(.*?)</div>(.*?)<div.class="stats.*?<i.*?class="number">(.*?)</i>', re.S);

这是我在代码中进行匹配的正则表达式，或许大家第一眼看到觉得复杂，其实仔细对应着html标签看看，就会明白的。

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。

好了，糗事百科网页信息的抓取，最主要最关键的核心就是该正则表达式的完成。这个正则表达式需要各位对照html代码慢慢体会！
需要注意的是，上面的正则表达式是我目前使用的时候整好和糗事百科网页的html代码匹配，当各位在看的时候，可能糗事百科的网页的html代码已经更改了，可能我的正则表达式就已经不匹配了，如果是这样，需要各位体会其中的意境，更新正则表达式了

整个代码如下：

# -*- coding:utf-8 -*-
__author__ = 'CQC'
import re
import urllib2
#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:
            print "页面加载失败…."
            return None
        pattern = re.compile('<div.*?class="author.*?<a.*?>.*?<img src=(.*?).alt=.*?>.*?</a>.*?<a.*?>.*?<h2>(.*?)</h2>.*?</a>.*?<div.*?class'+
                         '="content".*?>(.*?)</div>(.*?)<div.class="stats.*?<i.*?class="number">(.*?)</i>', re.S);
        items = re.findall(pattern,pageCode)
        #用来存储每页的段子们
        pageStories = []
        print 'item.len=%d' %len(items)
        #遍历正则表达式匹配的信息
        for item in items:
            #是否含有图片
            haveImg = re.compile('.*?src=(.*?)?alt=.*?')
            ii = re.findall(haveImg, item[3])
#             print 'havaimge=%s '%haveImg
#             print 'item[2]=%s' %item[2]
            #如果不含有图片，把它加入list中
            if not haveImg:
                #item[0]是一个段子的发布者，item[1]是内容,item[2]是图片，item[3]是点赞数
                pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[3].strip(),item[4].strip()])
            else:
                if ii is not None and len(ii)>0:
                    pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),ii[0].strip(),item[4].strip()])
                else:
                    pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),"",item[4].strip()])
        return pageStories
    #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)
                print 'len==%d' %len(pageStories)
                #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 i,story in enumerate(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页第%d个\n头像:%s\n发布人:%s\n内容:%s\n内容图片地址:%s\n赞:%s\n" %(page,(i+1),story[0],story[1],story[2],story[3],story[4])

    #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
        #局部变量，控制当前读到了第几页
        nowPage = 0
        while self.enable:
            #先加载一页内容
            self.loadPage()
            if len(self.stories)>0:
                #从全局list中获取一页的段子
                pageStories = self.stories[0]
                print 'len=%d' %len(pageStories)
                #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()

运行结果如下：

细心的朋友可能看出来了，上面的结果只有19条，而每页总共有20条，是的，我一一比对发现，最后一条的作者信息没有了，所以没有匹配上：

就是这一条，这一条对应的html代码如下：

你会发现，html标签中没有

整个代码也不难，里面也给的有提示了，所以就不细说了。

下载地址，请猛戳这里！！

Github地址在这里！！

欢迎关注我的Github。^_^
【握手~~】