Python爬虫学习，实战一糗事百科（2017/7/21更新）

前言

这几天学习爬虫，网上看了一些教程，发现这个 http://cuiqingcai.com/990.html 是相当不错的。

但可惜的是，整个教程是两年前的，但是Python是2.x版本的，跟现在的3.x有一些基本的语法不同；还有糗事百科也经过了改版。
总之原来的爬虫程序已经无法运行了。

借此学习机会，我更新一下这篇文章。

目标进程

1. 本身初学python，暂时用着python2，完成这次爬虫实验
2. 文章顺序按照原文章进行
3. 分析原代码构成，并进行修改以适应现在的糗事
4. 最后改成Python3（未完成）

---

1.确定URL并页面代码

现在的糗百URL为https://www.qiushibaike.com（热门板块） ，当然你可以进去到https://www.qiushibaike.com/hot/（24小时板块）

---

我们还是以热门板块来做，刷了几页过后发现，他是这样的：   https://www.qiushibaike.com/8hr/page/5/?s=5001478，后面一堆玩意儿看不懂，
不过试了试https://www.qiushibaike.com/8hr/page/4，也是没问题，那么我们的URL就可以出来了

结合原文中的代码，我们这么写：

# -*- coding:utf-8 -*-
import urllib
import urllib2

page = 1
url = 'https://www.qiushibaike.com/8hr/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

2.关于headers验证

这个headers是用来判断网站访问这是否是通过浏览器访问的。
网上关于怎么查找headers很齐全。

这里以chrome为例：

1. 在网页任意地方右击选择审查元素或者按下 shift+ctrl+c打开chrome自带的调试工具;
2. 选择network标签,刷新网页(在打开调试工具的情况下刷新);
3. 刷新后在左边查找该网页url(网址),点击
4. 后右边选择headers,就可以看到当前网页的http头了;
5. 我们用的自然是Request Headers

3.解码，正则表达式分析

解码：

利用2的代码我们可以抓取到网页的代码，但看上去似乎是一堆乱码，这个时候我们只需要将原始的读取稍微转化一下
response.read()变成response.read().decode('utf-8')

正则表达式

我们先来看原代码和原页面

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]

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。

这组样例没有图片：

分析（不考虑”+换行的问题）

pattern = re.compile(
            '<div.*?author">.*?
            <a.*?
            <img.*?>(.*?)</a>.*?//发布人
            <div.*?'+'content">(.*?)//内容
            <!--(.*?)-->.*?//时间
            </div>(.*?)<div class="stats.*?//图片内容
            class="number">(.*?)</i>'#点赞数
            ,re.S)

糗百改版：

1. 发布人：

   1. 从div class=”author”到div class=”author clearfix”
   2. 原来只有一个发布人的href，img后紧跟名字； 现在有两个，名字在第二个中的正文里

2. 内容：没有改变

3. 时间：已经删去此功能

4. 图片：没有修改，在内容和点赞之间的thumb里

5. 点赞数：没有修改

修改完成后的总代码是和效果图

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 clearfix">.*?</a>.*?>(.*?)</a>.*?'+
                          '<div.*?content">.*?<span>(.*?)</span>(.*?)'+
                         '<div class="stats.*?class="number">(.*?)</i>',re.S)       
    items = re.findall(pattern,content)
    for item in items:
        haveImg = re.search("img",item[2])
        if not haveImg:
            print "发布人： ",item[0],"内容：",item[1],"\n点赞数：",item[3]+'\n'
except urllib2.URLError, e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason

4.完善交互，设计面向对象模式

照着源代码，稍微改改吧

import urllib
import urllib2
import re
import thread
import time


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 = 'https://www.qiushibaike.com/8hr/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.*?author clearfix">.*?</a>.*?>(.*?)</a>.*?'+
                          '<div.*?content">.*?<span>(.*?)</span>(.*?)'+
                         '<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
        for item in items:
            #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
            if not haveImg:
                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[3]是点赞数
                pageStories.append([item[0].strip(),text.strip(),item[3].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)
                #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赞:%s\n%s\n" %(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()