\# -*- coding:utf-8 -*-
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

運(yùn)行程序，哦不，它竟然報(bào)錯(cuò)了，真是時(shí)運(yùn)不濟(jì)，命途多舛啊

line 373, in _read_status
 raise BadStatusLine(line)
httplib.BadStatusLine: ''

好吧，應(yīng)該是 headers 驗(yàn)證的問題，我們加上一個(gè) headers 驗(yàn)證試試看吧，將代碼修改如下

\# -*- 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, e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason

嘿嘿，這次運(yùn)行終于正常了，打印出了第一頁的 HTML 代碼，大家可以運(yùn)行下代碼試試看。在這里運(yùn)行結(jié)果太長(zhǎng)就不貼了。

提取某一頁的所有段子

好，獲取了 HTML 代碼之后，我們開始分析怎樣獲取某一頁的所有段子。

首先我們審查元素看一下，按瀏覽器的 F12，截圖如下

http://wiki.jikexueyuan.com/project/python-crawler-guide/images/06.png" alt="" />

我們可以看到，每一個(gè)段子都是 <div class=”article block untagged mb15″ id=”…”>…

包裹的內(nèi)容。

現(xiàn)在我們想獲取發(fā)布人，發(fā)布日期，段子內(nèi)容，以及點(diǎn)贊的個(gè)數(shù)。不過另外注意的是，段子有些是帶圖片的，如果我們想在控制臺(tái)顯示圖片是不現(xiàn)實(shí)的，所以我們直接把帶有圖片的段子給它剔除掉，只保存僅含文本的段子。

所以我們加入如下正則表達(dá)式來匹配一下，用到的方法是 re.findall 是找尋所有匹配的內(nèi)容。方法的用法詳情可以看前面說的正則表達(dá)式的介紹。

好，我們的正則表達(dá)式匹配語句書寫如下，在原來的基礎(chǔ)上追加如下代碼

content = response.read().decode('utf-8')
pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
                     '="content".*?title="(.*?)">(.*?)</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]

現(xiàn)在正則表達(dá)式在這里稍作說明

.? 是一個(gè)固定的搭配，.和代表可以匹配任意無限多個(gè)字符，加上？表示使用非貪婪模式進(jìn)行匹配，也就是我們會(huì)盡可能短地做匹配，以后我們還會(huì)大量用到 .*? 的搭配。
(.?)代表一個(gè)分組，在這個(gè)正則表達(dá)式中我們匹配了五個(gè)分組，在后面的遍歷item中，item[0]就代表第一個(gè)(.?)所指代的內(nèi)容，item[1]就代表第二個(gè)(.*?)所指代的內(nèi)容，以此類推。
re.S 標(biāo)志代表在匹配時(shí)為點(diǎn)任意匹配模式，點(diǎn) . 也可以代表換行符。

現(xiàn)在我們可以看一下部分運(yùn)行結(jié)果

儒雅男神 2015-02-17 14:34:42
小時(shí)候一個(gè)一個(gè)拆著放的舉個(gè)爪…  
<\div class=”thumb”>  
<a href=”/article/100705418?list=hot&s=4747301″ target=”_blank”   onclick=”_hmt.push([‘_trackEvent’, ‘post’, ‘click’, ‘signlePost’])”>
<img src=”http://pic.qiushibaike.com/system/pictures/10070/100705418/medium/app100705418.jpg” alt=”糗事#100705418″ />
</a>   
</div>
7093  
奇怪的名字啊 2015-02-17 14:49:16  
回家的路，你追我趕，回家的心情和窗外的陽光一樣燦爛。一路向前，離親人越來越近了。哪里有爸媽哪里才是家，希望所有糗友的爸爸媽媽都身體健康…….  
4803

這是其中的兩個(gè)段子，分別打印了發(fā)布人，發(fā)布時(shí)間，發(fā)布內(nèi)容，附加圖片以及點(diǎn)贊數(shù)。

其中，附加圖片的內(nèi)容我把圖片代碼整體摳了出來，這個(gè)對(duì)應(yīng) item[3]，所以我們只需要進(jìn)一步判斷 item[3]里面是否含有 img 這個(gè)字樣就可以進(jìn)行過濾了。

好，我們?cè)侔焉鲜龃a中的 for 循環(huán)改為下面的樣子

for item in items:
        haveImg = re.search("img",item[3])
        if not haveImg:
            print item[0],item[1],item[2],item[4]

現(xiàn)在，整體的代碼如下

\# -*- coding:utf-8 -*-
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.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
                         '="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
    items = re.findall(pattern,content)
    for item in items:
        haveImg = re.search("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

運(yùn)行一下看下效果

http://wiki.jikexueyuan.com/project/python-crawler-guide/images/08.png" alt="" />

恩，帶有圖片的段子已經(jīng)被剔除啦。是不是很開森？

完善交互，設(shè)計(jì)面向?qū)ο竽Ｊ?/h2>

好啦，現(xiàn)在最核心的部分我們已經(jīng)完成啦，剩下的就是修一下邊邊角角的東西，我們想達(dá)到的目的是：

按下回車，讀取一個(gè)段子，顯示出段子的發(fā)布人，發(fā)布日期，內(nèi)容以及點(diǎn)贊個(gè)數(shù)。

另外我們需要設(shè)計(jì)面向?qū)ο竽Ｊ?，引入類和方法，將代碼做一下優(yōu)化和封裝，最后，我們的代碼如下所示

__author__ = 'CQC'
\# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time

\#糗事百科爬蟲類
class QSBK:

    \#初始化方法，定義一些變量
    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 }
        \#存放段子的變量，每一個(gè)元素是每一頁的段子們
        self.stories = []
        \#存放程序是否繼續(xù)運(yùn)行的變量
        self.enable = False
    \#傳入某一頁的索引獲得頁面代碼
    def getPage(self,pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            \#構(gòu)建請(qǐng)求的request
            request = urllib2.Request(url,headers = self.headers)
            \#利用urlopen獲取頁面代碼
            response = urllib2.urlopen(request)
            \#將頁面轉(zhuǎn)化為UTF-8編碼
            pageCode = response.read().decode('utf-8')
            return pageCode

        except urllib2.URLError, e:
            if hasattr(e,"reason"):
                print u"連接糗事百科失敗,錯(cuò)誤原因",e.reason
                return None

    \#傳入某一頁代碼，返回本頁不帶圖片的段子列表
    def getPageItems(self,pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print "頁面加載失敗...."
            return None
        pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
                         '="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
        items = re.findall(pattern,pageCode)
        \#用來存儲(chǔ)每頁的段子們
        pageStories = []
        \#遍歷正則表達(dá)式匹配的信息
        for item in items:
            \#是否含有圖片
            haveImg = re.search("img",item[3])
            \#如果不含有圖片，把它加入list中
            if not haveImg:
                \#item[0]是一個(gè)段子的發(fā)布者，item[1]是發(fā)布時(shí)間,item[2]是內(nèi)容，item[4]是點(diǎn)贊數(shù)
                pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[4].strip()])
        return pageStories

    \#加載并提取頁面的內(nèi)容，加入到列表中
    def loadPage(self):
        \#如果當(dāng)前未看的頁數(shù)少于2頁，則加載新一頁
        if self.enable == True:
            if len(self.stories) < 2:
                \#獲取新一頁
                pageStories = self.getPageItems(self.pageIndex)
                \#將該頁的段子存放到全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    \#獲取完之后頁碼索引加一，表示下次讀取下一頁
                    self.pageIndex += 1

    \#調(diào)用該方法，每次敲回車打印輸出一個(gè)段子
    def getOneStory(self,pageStories,page):
        \#遍歷一頁的段子
        for story in pageStories:
            \#等待用戶輸入
            input = raw_input()
            \#每當(dāng)輸入回車一次，判斷一下是否要加載新頁面
            self.loadPage()
            \#如果輸入Q則程序結(jié)束
            if input == "Q":
                self.enable = False
                return
            print u"第%d頁\t發(fā)布人:%s\t發(fā)布時(shí)間:%s\n%s\n贊:%s\n" %(page,story[0],story[1],story[2],story[3])

    \#開始方法
    def start(self):
        print u"正在讀取糗事百科,按回車查看新段子，Q退出"
        \#使變量為True，程序可以正常運(yùn)行
        self.enable = True
        \#先加載一頁內(nèi)容
        self.loadPage()
        \#局部變量，控制當(dāng)前讀到了第幾頁
        nowPage = 0
        while self.enable:
            if len(self.stories)>0:
                \#從全局list中獲取一頁的段子
                pageStories = self.stories[0]
                \#當(dāng)前讀到的頁數(shù)加一
                nowPage += 1
                \#將全局list中第一個(gè)元素刪除，因?yàn)橐呀?jīng)取出
                del self.stories[0]
                \#輸出該頁的段子
                self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()

好啦，大家來測(cè)試一下吧，點(diǎn)一下回車會(huì)輸出一個(gè)段子，包括發(fā)布人，發(fā)布時(shí)間，段子內(nèi)容以及點(diǎn)贊數(shù)，是不是感覺爽爆了！

上一篇：抓取淘寶 MM 照片下一篇：Urllib 庫的基本使用