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 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
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 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，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:
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 urllib
import urllib2
import re
import thread
import 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(‘(.*?).*?
(.*?)