大家好，前面入门已经说了那么多基础知识了，下面我们做几个实战项目来挑战一下吧。那么这次为大家带来，python爬取糗事百科的小段子的例子。
首先，糗事百科大家都听说过吧？糗友们发的搞笑的段子一抓一大把，这次我们尝试一下用爬虫把他们抓取下来。
本篇目标
抓取糗事百科热门段子 过滤带有图片的段子 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。
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
# -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = '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
运行程序，哦不，它竟然报错了，真是时运不济，命途多舛啊
line 373, in _read_status raise badstatusline(line)httplib.badstatusline: ''
好吧，应该是headers验证的问题，我们加上一个headers验证试试看吧，将代码修改如下
# -*- coding:utf-8 -*-import urllibimport urllib2 page = 1url = '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，这次运行终于正常了，打印出了第一页的html代码，大家可以运行下代码试试看。在这里运行结果太长就不贴了。
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…
包裹的内容。
现在我们想获取发布人，发布日期，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，在原来的基础上追加如下代码
content = response.read().decode('utf-8')pattern = re.compile('.*? (.*?)(.*?)',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。
这样我们就获取了发布人，发布时间，发布内容，附加图片以及点赞数。
在这里注意一下，我们要获取的内容如果是带有图片，直接输出出来比较繁琐，所以这里我们只获取不带图片的段子就好了。
所以，在这里我们就需要对带图片的段子进行过滤。
我们可以发现，带有图片的段子会带有类似下面的代码，而不带图片的则没有，所以，我们的正则表达式的item[3]就是获取了下面的内容，如果不带图片，item[3]获取的内容便是空。

所以我们只需要判断item[3]中是否含有img标签就可以了。
好，我们再把上述代码中的for循环改为下面的样子
for item in items: haveimg = re.search(img,item[3]) if not haveimg: print item[0],item[1],item[2],item[4]
现在，整体的代码如下
# -*- coding:utf-8 -*-import urllibimport urllib2import re page = 1url = '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('.*? (.*?)(.*?)',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
运行一下看下效果
恩，带有图片的段子已经被剔除啦。是不是很开森？
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，发布日期，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
# -*- coding:utf-8 -*-import urllibimport urllib2import reimport threadimport time #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('.*? (.*?)(.*?)',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('
') text = re.sub(replacebr,\n,item[1]) #item[0]是一个段子的发布者，item[1]是内容，item[2]是发布时间,item[4]是点赞数 pagestories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].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) 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()
好啦，大家来测试一下吧，点一下回车会输出一个段子，包括发布人，发布时间，段子内容以及点赞数，是不是感觉爽爆了！
我们第一个爬虫实战项目介绍到这里，希望大家喜欢。