Python爬蟲-爬取糗事百科段子
閑來無事，學學python爬蟲。
在正式學爬蟲前，簡單學習了下HTML和CSS，了解了網頁的基本結構後，更加快速入門。
1.獲取糗事百科url
http://www.qiushibaike.com/hot/page/2/ 末尾2指第2頁
2.先抓取HTML頁面
import urllib import urllib2 import re page = 2 url = ‘http://www.qiushibaike.com/hot/page/‘ + str(page) #對應第2頁的url request = urllib2.Request(url) #發出申請 response = urllib2.urlopen(request) #收到回應
當然這裏可能會產生error：主要有HTTPError和URLError。
產生URLError的原因可能是：
- 網絡無連接，即本機無法上網
- 連接不到特定的服務器
- 服務器不存在
異常捕獲解決辦法：
import urllib2 requset = urllib2.Request(‘http://www.xxxxx.com‘) try: urllib2.urlopen(request) except urllib2.URLError, e: print e.reason
HTTPError是URLError的子類，利用urlopen方法發出一個請求時，服務器上都會對應一個應答對象response，其中它包含一個數字”狀態碼”。舉個例子，假如response是一個”重定向”，需定位到別的地址獲取文檔，urllib2將對此進行處理。常見的狀態碼：
200：請求成功 處理方式：獲得響應的內容，進行處理
202：請求被接受，但處理尚未完成 處理方式：阻塞等待
204：服務器端已經實現了請求，但是沒有返回新的信 息。如果客戶是用戶代理，則無須為此更新自身的文檔視圖。 處理方式：丟棄
404：沒有找到 處理方式：丟棄
500：服務器內部錯誤 服務器遇到了一個未曾預料的狀況，導致了它無法完成對請求的處理。一般來說，這個問題都會在服務器端的源代碼出現錯誤時出現。
異常捕獲解決辦法：
import urllib2 req = urllib2.Request(‘http://blog.csdn.net/cqcre‘) try: urllib2.urlopen(req) except urllib2.HTTPError, e: print e.code print e.reason
註：HTTPError是URLError的子類，在產生URLError時也會觸發產生HTTPError。因此應該先處理HTTPError。上述代碼可改寫為:
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"
如果無法獲得回應，可能需要加入header模擬瀏覽器發出請求：
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.分析頁面獲取段子
如上圖所示，劃紅對勾的是不同的段子，每個段子都由<div class="article block untagged mb15" id="...">...</div>包裹起來。我們點開其中一個，獲取其中的用戶名、段子內容和點贊數這三個信息。這三個信息分別用紅、藍、黑下劃線圈起來。解析過程主要由正則表達式實現。
- 解析用戶名。正則表達式為：<div class="author clearfix">.*?<h2>(.*?)</h2> 上圖中用戶名稱為旖旎萌萌，處於<h2>和</h2>中間，用(.*?)代之。
- 解析段子內容。正則表達式為：<div.*?span>(.*?)</span> 同理，文字部分在<span>和</span>之間。<div .........span>之間的所有符號（含換行符）用.*?解決。
- 解析點贊數。正則表達式為：<div class="stats">.*?"number">(.*?)</i> 同理。用(.*?)代替1520。
正則表達式解釋：（參考崔慶才博客）
1）.*? 是一個固定的搭配，.和*代表可以匹配任意無限多個字符，加上？表示使用非貪婪模式進行匹配，也就是我們會盡可能短地做匹配，以後我們還會大量用到 .*? 的搭配。
2）(.*?)代表一個分組，在這個正則表達式中我們匹配了五個分組，在後面的遍歷item中，item[0]就代表第一個(.*?)所指代的內容，item[1]就代表第二個(.*?)所指代的內容，以此類推。
3）re.S 標誌代表在匹配時為點任意匹配模式，點 . 也可以代表換行符。
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) # 參考python中的re模塊，作用是在content中尋找可以匹配pattern的串，即段子
但是有個問題，上面的表達式將有圖和無圖的段子都爬取下來了，但是在圖片一般不會顯示，所以需要去掉有圖的段子，只爬取無圖片的段子。需要稍微改動正則表達式。
上圖是無圖的段子html代碼，下圖是有圖的段子的html代碼：
紅線劃的<div class="thumb">包含了圖片部分，而這條語句在無圖段子的html中是不存在的，所以利用這條語句中的“img”(上圖下劃線)來過濾段子。同時註意到這條語句處在段子內容和點贊數中間。
所以在段子內容和點贊這兩個正則語句之間加上一個(.*?)即可，這樣一來，只要檢測到包括“img”,就過濾掉。
content = response.read().decode(‘utf-8‘) pattern = re.compile(‘<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div.*?span>(.*?)</span>(.*?)<div class="stats">.*?"number">(.*?)</i>‘ # 註意這個(.*?) ,re.S) items = re.findall(pattern,content) # items就是根據正則表達式篩選到的字符串（html串） for item in items: haveImg = re.search("img", item[2]) # 0，1，2，3分別表示用戶名，段子內容，圖片，點贊數。所以用item[2]來檢測過濾 if not haveImg: print item[0], item[1], item[3]
好，以上代碼就是可以實現將一頁中的無圖段子全部爬取出來：代碼：
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.以上代碼是核心，但是略有簡陋，稍加修補：
# 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頁\t發布人:%s\t點贊數:%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()
結果一樣：
Python爬蟲-爬取糗事百科段子