python爬虫学习笔记1——糗百段子爬取

系列 ——  Python爬虫实战
题目 ——  抓取糗事百科段子
语言 ——  Python
目标 ——  1、抓取糗百段子
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
  发布时间发布人段子内容点赞数量
步骤 
1、确定URL并抓取页面代码
初步构建代码：
======================================
# -*- coding:utf8 -*-
import urllib
import urllib2


page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
try:
request = urllib2.Request(url)
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


==========================================
报错了：
raise BadStatusLine(line)
httplib.BadStatusLine: ''
原因：
可能是浏览器阻止了这一类访问
解决办法：
添加headers验证


修改代码如下：
============================================
# -*- coding:utf8 -*-
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, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
==========================================
成功抓取代码


2、提取某一页段子
注意点：
a、正则表达式的运用
参考教程：
http://deerchao.net/tutorials/regex/regex.htm
http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
b、过滤带有图片的段子


打开目标网页，例如 http://www.qiushibaike.com/hot/page/2
打开调试工具，查看源代码，完成正则表达式的编写


编写代码如下：
==========================================
# -*- coding:utf8 -*-
import urllib
import urllib2
import re         # 运用正则表达式别忘记导包


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">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?' +
                             'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
        items = re.findall(pattern,content)
        for item in items:
            haveImg = re.reaserch("img",item[3])
            if not haveImg:
                print item[0],item[1],item[2],item[4]
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason


=============================================
运行出现问题：
unindent does not match any outer indentation level
原因：代码没有对齐
python对于代码的缩进很严格（有的时候真的能逼死人），不要混用空格和Tab键。


3.完善代码
按下回车，读取一个段子，显示出段子的发布人，发布日期，内容以及点赞个数


=====================================================
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
 


class QSBK:
 
    def __init__(self):
        self.pageIndex = 1
        self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        
        self.headers = { 'User-Agent' : self.user_agent }
        
        self.stories = []
        
        self.enable = False
    
    def getPage(self,pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            
            request = urllib2.Request(url,headers = self.headers)
            
            response = urllib2.urlopen(request)
            
            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
 
 
    
    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">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
                         'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
        items = re.findall(pattern,pageCode)
        
        pageStories = []
        
        for item in items:
            
            haveImg = re.search("img",item[3])
            
            if not haveImg:
                replaceBR = re.compile('<br/>')
                text = re.sub(replaceBR,"\n",item[1])
               
                pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])
        return pageStories
 
    
    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
    
    
    def getOneStory(self,pageStories,page):
        
        for story in pageStories:
            
            input = raw_input()
            
            self.loadPage()
            
            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])
    
    
    def start(self):
        print u"正在读取糗事百科,按回车查"
        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()
=============================================
ps：
一定要注意缩进！
=============================================