【python】抄寫大神的糗事百科代碼

照着靜覓大神的博客學習，原文在這：http://cuiqingcai.com/990.html

 

劃重點：

1. str.strip() strip函數會把字符串的先後多餘的空白字符去掉

2. response.read().decode('utf-8','ignore')  要加'ignore'忽略非法字符，否則老是報解碼錯誤

3. python 3.x 中  raw_input 改爲 input 了

4. 代碼最好用notepad++先寫 格式清晰一點 容易發現錯 尤爲是縮進和中文標點的錯誤

5. .*? 經常使用組合， 後面的?表示非貪婪模式

 

用python3.4.3實現的糗百爬蟲代碼以下（就是照着大神的抄的，把2.x的部分給改了而已）：

import urllib.request
import urllib.parse
import re
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/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.93 Safari/537.36'
        self.headers = {'User-Agent' : self.user_agent}
        #存放段子的變量，每一個元素是每一頁的段子
        self.stories = []
        #存放程序是否繼續運行的變量
        self.enable = False
    #傳入某一頁的索引得到頁面代碼
    def getPage(self, pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            request = urllib.request.Request(url, headers = self.headers)
            response = urllib.request.urlopen(request)
            pageCode = response.read().decode('utf-8','ignore') #這個ignore忽略非法字符 必定要加 否則總報解碼錯誤
            return pageCode
        except urllib.error.URLError as e:
            if hasattr(e, "reason"):
                print(u"鏈接糗事百科失敗，錯誤緣由：", e.reason)
                return None
    #傳入某一頁代碼，返回本頁不斷圖片的段子列表
    def getPageItems(self, pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print(u"頁面加載失敗....")
            return None
        pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
        'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>', re.S)
        items = re.findall(pattern, pageCode)
        #用來存儲每頁的段子
        pageStories = []
        for item in items:
            haveImg = re.search("img", item[3])
            if not haveImg:
                replaceBR = re.compile('<br/>')
                text = re.sub(replaceBR, "\n", item[1])
                pageStories.append([item[0].strip(), text.strip(),item[4].strip()]) #.strip（） 用來刪除空白符
        return pageStories
    #加載並提取頁面的內容，加入到列表中
    def loadPage(self):
        #若是當前未看的頁數少於2頁，則加載新一頁
        if self.enable == True:
            if len(self.stories) < 2:
                #獲取新一頁
                pageStories = self.getPageItems(self.pageIndex)
                #將該頁的段子存放到全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    #頁碼加1，下次讀取下一頁
                    self.pageIndex += 1
    #每次敲回車打印一個段子
    def getOneStory(self,pageStories,page):
        #遍歷一頁的段子
        for story in pageStories:
            #等待用戶輸入
            input_v = input()
            #每當輸入回車一次，判斷一下是否要加載新頁面
            self.loadPage()
            #若是輸入Q則程序結束
            if input_v == "Q":
                self.enable = False
                return
            print(u"第%d頁\t發佈人：%s\t贊：%s\n%s" % (page, story[0], story[2],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")
        #使變量爲True，程序能夠正常運行
        self.enable = True
        #先加載一頁內容
        self.loadPage()
        #局部變量，控制當前讀到2了第幾頁
        nowPage = 0
        while self.enable:
            if len(self.stories) > 0:
                #從全局list中獲取一頁段子
                pageStories = self.stories[0]
                #當前讀到的頁數加1
                nowPage += 1
                #刪除已經取出的元素
                del self.stories[0]
                #輸出該頁的段子
                self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()