Python爬虫-爬取糗事百科段子

闲来无事，学学python爬虫。

在正式学爬虫前，简单学习了下HTML和CSS，了解了网页的基本结构后，更加快速入门。

1.获取糗事百科url

http://www.qiushibaike.com/hot/page/2/    末尾2指第2页

2.先抓取HTML页面

import urllib
import urllib2
import re
page = 2
url = 'http://www.qiushibaike.com/hot/page/' + str(page)  #对应第2页的url
request = urllib2.Request(url)  #发出申请
response = urllib2.urlopen(request)  #收到回应

当然这里可能会产生error：主要有HTTPError和URLError。

产生URLError的原因可能是：

• 网络无连接，即本机无法上网
• 连接不到特定的服务器
• 服务器不存在

异常捕获解决办法：

import urllib2

requset = urllib2.Request('http://www.xxxxx.com')
try:
    urllib2.urlopen(request)
except urllib2.URLError, e:
    print e.reason

HTTPError是URLError的子类，利用urlopen方法发出一个请求时，服务器上都会对应一个应答对象response，其中它包含一个数字”状态码”。举个例子，假如response是一个”重定向”，需定位到别的地址获取文档，urllib2将对此进行处理。常见的状态码：

200：请求成功      处理方式：获得响应的内容，进行处理

202：请求被接受，但处理尚未完成    处理方式：阻塞等待

204：服务器端已经实现了请求，但是没有返回新的信 息。如果客户是用户代理，则无须为此更新自身的文档视图。    处理方式：丢弃

404：没有找到     处理方式：丢弃

500：服务器内部错误  服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。一般来说，这个问题都会在服务器端的源代码出现错误时出现。

异常捕获解决办法：

import urllib2

req = urllib2.Request('http://blog.csdn.net/cqcre')
try:
    urllib2.urlopen(req)
except urllib2.HTTPError, e:
    print e.code
    print e.reason

注：HTTPError是URLError的子类，在产生URLError时也会触发产生HTTPError。因此应该先处理HTTPError。上述代码可改写为:

import urllib2

req = urllib2.Request('http://blog.csdn.net/cqcre')
try:
    urllib2.urlopen(req)
except urllib2.HTTPError, e:
    print e.code
except urllib2.URLError, e:
    print e.reason
else:
    print "OK"

如果无法获得回应，可能需要加入header模拟浏览器发出请求：

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)   # 加入header
    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

3.分析页面获取段子

如上图所示，划红对勾的是不同的段子，每个段子都由<div class="article block untagged mb15" id="...">...</div>包裹起来。我们点开其中一个，获取其中的用户名、段子内容和点赞数这三个信息。这三个信息分别用红、蓝、黑下划线圈起来。解析过程主要由正则表达式实现。

1. 解析用户名。正则表达式为：<div class="author clearfix">.*?<h2>(.*?)</h2>   上图中用户名称为旖旎萌萌，处于<h2>和</h2>中间，用(.*?)代之。
2. 解析段子内容。正则表达式为：<div.*?span>(.*?)</span>  同理，文字部分在<span>和</span>之间。<div .........span>之间的所有符号（含换行符）用.*?解决。
3. 解析点赞数。正则表达式为：<div class="stats">.*?"number">(.*?)</i>  同理。用(.*?)代替1520。

正则表达式解释：（参考崔庆才博客）

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。

content = response.read().decode('utf-8')
pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div.*?span>(.*?)</span>.*?<div class="stats">.*?"number">(.*?)</i>',re.S)
items = re.findall(pattern,content)  # 参考python中的re模块，作用是在content中寻找可以匹配pattern的串，即段子

但是有个问题，上面的表达式将有图和无图的段子都爬取下来了，但是在图片一般不会显示，所以需要去掉有图的段子，只爬取无图片的段子。需要稍微改动正则表达式。

上图是无图的段子html代码，下图是有图的段子的html代码：

红线划的<div class="thumb">包含了图片部分，而这条语句在无图段子的html中是不存在的，所以利用这条语句中的“img”(上图下划线)来过滤段子。同时注意到这条语句处在段子内容和点赞数中间。

所以在段子内容和点赞这两个正则语句之间加上一个(.*?)即可，这样一来，只要检测到包括“img”,就过滤掉。

content = response.read().decode('utf-8')
pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div.*?span>(.*?)</span>(.*?)<div class="stats">.*?"number">(.*?)</i>'  # 注意这个(.*?)
                     ,re.S)
items = re.findall(pattern,content)  # items就是根据正则表达式筛选到的字符串（html串）
for item in items:
    haveImg = re.search("img", item[2])   # 0，1，2，3分别表示用户名，段子内容，图片，点赞数。所以用item[2]来检测过滤
    if not haveImg:
        print item[0], item[1], item[3]

好，以上代码就是可以实现将一页中的无图段子全部爬取出来：代码：

import urllib
import urllib2
import re
page = 2
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="author clearfix">.*?<h2>(.*?)</h2>.*?<div.*?span>(.*?)</span>(.*?)<div class="stats">.*?"number">(.*?)</i>'
                     ,re.S)
items = re.findall(pattern,content)
for item in items:
    haveImg = re.search("img", item[2])
    if not haveImg:
        print item[0], item[1], item[3]

4.以上代码是核心，但是略有简陋，稍加修补：

# coding:utf-8

import urllib
import urllib2
import re

class Spider_QSBK:
    def __init__(self):
        self.page_index = 2
        self.enable = False
        self.stories = []
        self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        self.headers = {'User-Agent':self.user_agent}

    def getPage(self, page_index):
        url = 'http://www.qiushibaike.com/hot/page/' + str(page_index)
        try:
            request = urllib2.Request(url, headers=self.headers)
            response = urllib2.urlopen(request)
            content = response.read().decode('utf-8')
            return content
        except urllib2.URLError, e:
            print e.reason
            return None

    def getStories(self,page_index):
        content = self.getPage(page_index)
        pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div.*?span>(.*?)</span>(.*?)<div class="stats">.*?"number">(.*?)</i>'
                     ,re.S)
        items = re.findall(pattern,content)
        for item in items:
            haveImg = re.search("img", item[2])
            if not haveImg:
               self.stories.append([item[0], item[1], item[3]])
        return self.stories

    def ShowStories(self, page_index):
        self.getStories(page_index)
        for st in self.stories:
            print u"第%d页\t发布人:%s\t点赞数:%s\n%s" %(page_index, st[0], st[2], st[1])
        del self.stories

    def start(self):
        self.enable = True
#        while self.enable:
        self.ShowStories(self.page_index)
        self.page_index += 1

spider = Spider_QSBK()
spider.start()

结果一样：