看了下python爬虫用法，正则匹配过滤对应字段，这里进行最强外功：copy大法实践

一开始是直接从参考链接复制粘贴的，发现由于糗百改版导致失败，这里对新版html分析后进行了简单改进，把整理过程记录如下：

参考文章中是这样的：

截图参考中的html文件布局如下：

分析参考中的伪代码如下：

分析图中html布局伪代码：

     
    
      
        
                               “昵称”            
      
    
      
               “内容”    
      
    
      
        
               
               
           
      
     

进行匹配的正则表达式为：

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

根据正则进行筛选过滤的python代码为：（python代码每次执行都一致，不同的事正则表达式，执行代码中的正则表达式替换为文字，复制上下文中的进行替换即可）

# -*- coding: UTF-8 -*-import urllibimport urllib2import redef qiubaiWithoutImageTest():    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)        pattern = re.compile('正则表达式',                             re.S)        items = re.findall(pattern, content)        print items        for item in items:            print item[0],item[1],item[2],item[3]            # haveImg = re.search("img", item[3])            # if not haveImg:            #     # print item            #     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#执行代码qiubaiWithoutImageTest()
         
        
       
      
     

但是，听说但是之前的话都是废话。。。

但是因为糗百改版成如下图中的格式：

所以只能参考照猫画虎按照新格式进行正则表达式的修改了：

分析新的html伪代码格式如下：

     
    
      
        
               
       
’昵称’        
       
        年龄
       
    
      
    
              
       
            
        ’内容’        
       
        
      
        
               
               
           
      
     

所以新版的正则表达式修改如下：

LZ正则水平有限，进行了多次尝试才匹配成功。。。，把各个版本记录如下=======版本1(未通过)'
     
      .*?
      
       
        (.*?).*?
        
         
          (.*?).*?.*?
          
           .*?
           
            (.*?)
            
             (.*?).*?
             .*?(.*?).*?
             
              (.*?)'========版本2(未通过)'
              
               .*?
               
                
                 (.*?).*?
                 
                  
                   (.*?).*?.*?
                   
                    .*?
                    
                     (.*?)
                     
                      (.*?).*?
                      .*?
                     
                    
                   
                  
                 
                
               
              
             
(.*?).*?
             
              (.*?)'=========版本3(未通过)'
              
               .*?
               
                
                 (.*?).*?
                 
                  .*?
                  
                   (.*?).*?.*?
                   
                    .*?
                    
                     (.*?)
                     
                      (.*?).*?
                     
                    
                   
                  
                 
                
               
              
             
.*?.*?
             
              (.*?)'=========版本4(通过仅有内容)'
              
               (.*?)
               
                (.*?).*?
               
              
             
'=========版本5(通过：内容、昵称)'
             
              .*?
              
               
                (.*?).*?
                
                 
                  (.*?).*?.*?.*?
                  
                   (.*?)
                   
                    (.*?).*?'=========版本6（通过：内容、昵称、年龄）'
                    
                     .*?
                     
                      
                       (.*?).*?.*?
                       
                        (.*?).*?.*?
                        
                         (.*?)
                         
                          (.*?).*?'
                         
                        
                       
                      
                     
                    
                   
                  
                 
                
               
              
             
            
           
          
         
        
       
      
     

最终终于看到了如下结果：

胖香娇喘助理31 老妹单身很久了，一直没对象，那天跟我出去坐公交，身边站着一个小伙子，小婊砸一直往人小伙子身边蹭。
突然，这小婊砸捂着头:“哎呦！我头晕，不行，晕了。。。”说着，顺势倒在人家小伙子怀里。
小伙子吓坏了，摇了摇老妹:“大姐，大姐，您没事吧！”
老妹一听，怒不可遏:“叫谁大姐呢？我有这么老吗？”说着，给了人家一个白眼，还没到站就下车了。
剩我一脸蒙蔽。。这招几百年前就有人用了。萌面大叔l26 我对蝉说，他日再见要等来年！蝉对我说，他日重逢要等来生！逍遥ベ假行僧29 初闻不知曲中意，在听已是曲中人。                                  现知词意唯落泪，不见当年陪孤人。                               既然亦是曲中人，为何还听曲中曲。                              曲中思念今犹在，不见当年梦中人。逆流而上66926 一次历史考试，问:1966年至1999年发生了哪三件大事。一奇葩同学是这样回答的:“1969年，我爸出生了；1972年我妈出生了；1995年，一个晴天霹雳，神一般的人物——我诞生了！”然后这张试卷就在公告栏里挂了一个星期！匿名用户 38 公司高层来我们基层调研，到我们单位的是位副总，笔杆子小李又开始嘚瑟着发报道，还把稿子发到我们单位群，其中有这几句话“某总深入基层调研一线生产生活情况，与一线职工同吃同住......”我@了他一下，说：“在职工前面加个女字就更好了。”就在这时，某副总@了我一下：“到我办公室来一下。”我擦，谁把副总拉群里来的？[哀怨][哀怨][哀怨]匿名用户 0 没有更好的办法了a金钊24 男生用“没事，不疼。”欺骗了多少女生；女生用“啊，疼！”欺骗了多少男生。青青子衿忧我心24 甲：怎么了？看着你气色不太好
乙：昨儿喝多了，也吐也泻
甲：喝多少啊？成这德行
乙：喝了一打老酸奶。。。
听得都TM醉了，，，，请叫我小智21 看懂绝逼是污神。surepman22 这真不是故意的傻晴°38 开会，女同事让我坐她旁边，我内心一阵激动。我坐定后，她拿出手机玩了起来，说:你坐这领导（在侧面）就看不见我了。挖鼻孔的老虎99 晚上回到家，老婆用手机边拍我边问：“不是说加班吗，怎么有酒味？”
我面对摄像头有点不自在：“我，我口渴，路上买了瓶啤酒喝。”
老婆拿着手机捣鼓了好一会儿，然后说：“我妈不信、我妹妹不信、我全体闺蜜不信，连我9岁的侄女都觉得你没加班只是去了喝酒。”今狐小妖30 二楼二楼，别拿着手机看了电话不会打来的你的选择你的选择35 这一家子拖鞋真会放，整齐，还有什么？

LZ是Python新手，水平有限，仅作为学习参考使用！

贴上后续参考中的进阶代码

# -*- 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')            # print pageCode            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: for itemInItem in item: pageStories.append(itemInItem.strip()) print itemInItem # 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) < 2: # 获取新一页 pageStories = self.getPageItems(self.pageIndex) # 将该页的段子存放到全局list中 if pageStories: self.stories.append(pageStories) # 获取完之后页码索引加一，表示下次读取下一页 self.pageIndex += 1 # 调用该方法，每次敲回车打印输出一个段子 def getOneStory(self, pageStories, page): # 遍历一页的段子 for story in pageStories: # 等待用户输入 input = raw_input() # 每当输入回车一次，判断一下是否要加载新页面 self.loadPage() # 如果输入Q则程序结束 if input == "Q": self.enable = False return print u"第%d页\t发布人:%s\t发布时间:%s\t赞:%s\n%s" % (page, story[0], story[2], story[3], story[1]) # 开始方法 def start(self): print u"正在读取糗事百科,按回车查看新段子，Q退出" # 使变量为True，程序可以正常运行 self.enable = True # 先加载一页内容 self.loadPage() # 局部变量，控制当前读到了第几页 nowPage = 0 while self.enable: 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)qbspider = QSBK()qbspider.start()#在log中敲入enter进行下一页数据展示，目前还有一些问题
          
         
        
       
      
     

 

参考链接：