python 爬虫第一例--糗事百科

python 爬虫第一例--糗事百科

之前一直在学习python的基础内容，都在文章中，待整理好后发到随笔，糗事百科是爬虫第一例，参照网上例子，对正则进行更改，主要是理解其思路

# -*- coding: utf-8 -*-
# 糗事百科爬虫
import urllib
import urllib2
import re

class QSBK:
    # 初始化方法，定义变量
    def __init__(self):
        self.pageIndex = 1
        self.user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'
        self.header = { 'User-Agent' : self.user_agent }
        self.url = 'http://www.qiushibaike.com/hot/page/'
        # 存放段子变量，每一页单独存储
        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的页码
    def getPage(self, pageIndex):
        try:
            open_url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            #构建请求的request
            request = urllib2.Request(open_url, headers = self.header)
            response = urllib2.urlopen(request)
            content = response.read().decode('utf-8')
            return content
        except urllib2.URLError,e:
            if hasattr(e, "code"):
                print u"连接糗事百科错误，错误编码:"+e.code
                return None
            if hasattr(e, "reason"):
                print u"连接糗事百科错误，错误原因:"+e.reason
                return None
    # 传入某一页页码，返回不带图片的段子
    def getPageItem(self, pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print u"页面加载失败"
            return None
        pattren = re.compile(r'<div class="author clearfix">.*?<h2>(.*?)</h2>(.*?)<div class="single-clear">',re.S)
        items = re.findall(pattren, pageCode)
        #用来存储每页的段子们
        pageStories = []
        for item in items:
            haveImg = re.search("thumb", item[1])
            if not haveImg:
                # print item[0]
                pattren1 = re.compile(r'<div class="content">.*?<span>(.*?)</span>.*?<div class="stats">.*?<i class="number">(.*?)</i>',re.S)
                sec_strs = re.findall(pattren1, item[1])
                for sec_str in sec_strs:
                    # 将sec_str[0] 中的br转换为\n
                    replaceBR = re.compile('<br/>')
                    text = re.sub(replaceBR, "\n", sec_str[0])
                    pageStories.append([item[0].strip(), text.strip(), sec_str[1].strip()])
        return pageStories
    # 加载并提取页面的内容，加入到列表
    def loadPage(self):
        if self.enable == True:
            if len(self.stories) < 1:
                # 获取新的一页
                pageStories = self.getPageItem(self.pageIndex)
                # 将该页的段子存放到全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    self.pageIndex += 1
    # 调用该方法，每次敲一个回车打印出一个段子
    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()
            # 每输入一次回车，判断一下是否需要加载新的页面
            self.loadPage()
            # 如果输入Q表示结束程序
            if input == 'Q':
                self.enable = False
                return
            print u"第%d页\t发布人:%s\t赞:%s\n%s" %(page,story[0],story[2],story[1])
    # 开始方法
    def start(self):
        print u"您正在读糗事百科，按回车查看段子，按Q退出"
        #使遍历变为True 程序可以正常运行
        self.enable = True
        self.loadPage()
        # 局部变量，控制当前读到第几页
        nowPage = 0
        while self.enable:
            if len(self.stories) >0:
                # 从全局list中读取一页段子
                pageStories = self.stories[0]
                # 当前读到的页数增加一
                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)


spider = QSBK()
spider.start()

 

生成的实例