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 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 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 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}
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 urllib2
import 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：