# -*- 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
            
          

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

            
              # -*- 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
            
          

            
              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]

現(xiàn)在正則表達(dá)式在這里稍作說明

1）.*? 是一個(gè)固定的搭配，.和*代表可以匹配任意無(wú)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。

2）(.*?)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。

3）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?yè)Q行符。

這樣我們就獲取了發(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)。

在這里注意一下，我們要獲取的內(nèi)容如果是帶有圖片，直接輸出出來(lái)比較繁瑣，所以這里我們只獲取不帶圖片的段子就好了。

所以，在這里我們就需要對(duì)帶圖片的段子進(jìn)行過濾。

我們可以發(fā)現(xiàn)，帶有圖片的段子會(huì)帶有類似下面的代碼，而不帶圖片的則沒有，所以，我們的正則表達(dá)式的item[3]就是獲取了下面的內(nèi)容，如果不帶圖片，item[3]獲取的內(nèi)容便是空。

所以我們只需要判斷item[3]中是否含有img標(biāo)簽就可以了。

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('
              
                .*?
                
                  (.*?).*?
                  
                    (.*?)
                                        .*?
                  
                
              
            
          

(.*?)',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

恩，帶有圖片的段子已經(jīng)被剔除啦。是不是很開森？

3.完善交互，設(shè)計(jì)面向?qū)ο竽Ｊ?

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剑腩惡头椒ǎ瑢⒋a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(yè)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(yè)的索引獲得頁(yè)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(yè)面代碼
            response = urllib2.urlopen(request)
            #將頁(yè)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(yè)代碼，返回本頁(yè)不帶圖片的段子列表
    def getPageItems(self,pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print "頁(yè)面加載失敗...."
            return None
        pattern = re.compile('
              
                .*?
                
                  (.*?).*?
                  
                    (.*?)
                                        .*?
                  
                
              
            
          

(.*?)',re.S) items = re.findall(pattern,pageCode) #用來(lái)存儲(chǔ)每頁(yè)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: replaceBR = re.compile('
') text = re.sub(replaceBR,"\n",item[1]) #item[0]是一個(gè)段子的發(fā)布者，item[1]是內(nèi)容，item[2]是發(fā)布時(shí)間,item[4]是點(diǎn)贊數(shù) pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()]) return pageStories #加載并提取頁(yè)面的內(nèi)容，加入到列表中 def loadPage(self): #如果當(dāng)前未看的頁(yè)數(shù)少于2頁(yè)，則加載新一頁(yè) if self.enable == True: if len(self.stories) < 2: #獲取新一頁(yè) pageStories = self.getPageItems(self.pageIndex) #將該頁(yè)的段子存放到全局list中 if pageStories: self.stories.append(pageStories) #獲取完之后頁(yè)碼索引加一，表示下次讀取下一頁(yè) 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(yè)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(yè)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(yè)\t發(fā)布人:%s\t發(fā)布時(shí)間:%s\t贊:%s\n%s" %(page,story[0],story[2],story[3],story[1]) #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(yè)內(nèi)容 self.loadPage() #局部變量，控制當(dāng)前讀到了第幾頁(yè) nowPage = 0 while self.enable: if len(self.stories)>0: #從全局list中獲取一頁(yè)的段子 pageStories = self.stories[0] #當(dāng)前讀到的頁(yè)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(yè)的段子 self.getOneStory(pageStories,nowPage) spider = QSBK() spider.start()

好啦，大家來(lái)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！

我們第一個(gè)爬蟲實(shí)戰(zhàn)項(xiàng)目介紹到這里，下次繼續(xù)，歡迎大家繼續(xù)關(guān)注，小伙伴們加油！

作者：程序員私房菜