[python3]爬虫实战一之爬取糗事百科段子

参考http://cuiqingcai.com/990.html。不过原文是python2.7.且糗事百科又改版了。这是最新版。

本篇目标

1.抓取糗事百科热门段子

2.过滤带有图片的段子

3.实现每按一次回车显示一个段子的发布人，段子内容，点赞数。

糗事百科是不需要登录的，所以也没必要用到Cookie，另外糗事百科有的段子是附图的，我们把图抓下来图片不便于显示，那么我们就尝试过滤掉有图的段子吧。

好，现在我们尝试抓取一下糗事百科的热门段子吧，每按下一次回车我们显示一个段子。

1.确定URL并抓取页面代码

首先我们确定好页面的URL是 http://www.qiushibaike.com/hot/page/1，其中最后一个数字1代表页数，我们可以传入不同的值来获得某一页的段子内容。

我们初步构建如下的代码来打印页面代码内容试试看，先构造最基本的页面抓取方式，看看会不会成功.

#!/usr/bin/env/python
#encoding: UTF-8

import re
import requests
import http.cookiejar
import time
import json
import urllib


page=1
url = 'https://www.qiushibaike.com/hot/page/'+ str(page)
headers = {
        'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                    r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
         'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
         'Connection': 'keep-alive'
      }
try:
    req = urllib.request.Request(url, headers = headers)
    res = urllib.request.urlopen(req)
    print(res.read().decode('utf-8'))
except urllib.error.URLError as e:
    if hasattr(e, 'code'):
        print(e.code)
    

运行成功，打印出了糗事百科24小时爆笑集合的第一页的html。

2.提取某一页的所有段子

好，获取了HTML代码之后，我们开始分析怎样获取某一页的所有段子。

首先我们审查元素看一下，按浏览器的F12，截图如下

       

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。

现在我们想获取发布人，段子内容，以及点赞的个数。不过另外注意的是，段子有些是带图片的，如果我们想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。方法的用法详情可以看前面说的正则表达式的介绍。

好，我们的正则表达式匹配语句书写如下，

       

 #!/usr/bin/env/python
#encoding: UTF-8

import re
import requests
import http.cookiejar
import time 
import json
import urllib


page=1
url = 'https://www.qiushibaike.com/hot/page/'+str(page)
headers = {
        'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                    r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
         'Referer': r'https://www.qiushibaike.com/',
         'Connection': 'keep-alive'
      }
try:
    req = urllib.request.Request(url, headers = headers)
    res = urllib.request.urlopen(req)
    content = res.read().decode('utf-8')
    pattern = re.compile('<div.*?author.*?<a.*?<img.*?alt="(.*?)">.*?<div class="content.*?'+
                         '<span>(.*?)</span>.*?<span class="stats-vote".*?<i 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])
        print(item[0],item[1],item[2])
except urllib.error.URLError as e:
    if hasattr(e, 'code'):
        print(e.code)
    

获得结果如图：

这里重点说一下正则匹配的部分：

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。

以下面为例：

'<div.*?author.*?<a.*?<img.*?alt="(.*?)">

表示匹配<div 任意 author 任意 <a 任意<img任意alt="（我们需要输出的内容）">

3.完善交互，设计面向对象模式

好啦，现在最核心的部分我们已经完成啦，剩下的就是修一下边边角角的东西，我们想达到的目的是：

按下回车，读取一个段子，显示出段子的发布人，内容以及点赞个数。

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，最后，我们的代码如下所示:

 #!/usr/bin/env/python
#encoding: UTF-8

import re
import requests
import http.cookiejar
import time 
import json
import urllib


#糗事百科爬虫类
class QSBK:

    def __init__(self):
        self.pageIndex = 1
        self.headers =  {
        'User-Agent': r'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT) '
                    r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
         'Referer': r'https://www.qiushibaike.com/',
         'Connection': 'keep-alive'
      }
        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取页面代码的函数
    def getPage(self, pageIndex):
        try:
            url = 'https://www.qiushibaike.com/hot/page/'+str(pageIndex)
            req = urllib.request.Request(url, headers = self.headers)
            res = urllib.request.urlopen(req)
            content = res.read().decode('utf-8')
            return content
        except urllib.error.URLError as e:
            if hasatr(e, "reason"):
                print ('连接糗事百科失败，错误原因：',e.reason)
                return None

    #传入页面代码，返回段子列表
    def getPageItems(self, pageIndex):
        content = self.getPage(pageIndex)
        pattern = re.compile('<div.*?author.*?<a.*?<img.*?alt="(.*?)">.*?<div class="content.*?'+
                         '<span>(.*?)</span>.*?<span class="stats-vote".*?<i class="number">(.*?)</i>',re.S)
        items = re.findall(pattern,content)
        pageStories = []
        for item in items:
            replaceBR = re.compile('<br/>')
            text = re.sub(replaceBR, "\n", item[1])
            pageStories.append([item[0].strip(),text.strip(),item[2].strip()])
        return pageStories

    #加载并提取页面内容，加入列表中
    def loadPage(self):
        if self.enable == True:
            if len(self.stories)<2:
                pageStories = self.getPageItems(self.pageIndex)
                if pageStories:
                    self.stories.append(pageStories)
                    self.pageIndex +=1

    #一次回车一个段子
    def getOneStory(self, pageStories, page):
        for story in pageStories:
            hc = input()
            self.loadPage()
            if hc == "quit":
                self.enable = False
                return
            print ("第%d页\t发布人：%s\t赞：%s\n%s"%(page,story[0],story[2],story[1]))

    def start(self):
        print('正在读取糗事百科段子，按回车查看新段子，quit退出')
        self.enable = True
        self.loadPage()
        nowPage = 0
        while self.enable:
            if len(self.stories)>0:
                pageStories = self.stories[0]
                nowPage +=1
                del self.stories[0]
                self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()

打印结果：

这感觉，棒呆啦！！！！！！！！！