python 爬蟲第一例--糗事百科

python 爬蟲第一例--糗事百科

以前一直在學習python的基礎內容，都在文章中，待整理好後發到隨筆，糗事百科是爬蟲第一例，參照網上例子，對正則進行更改，主要是理解其思路

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

class QSBK:
    # 初始化方法，定義變量
    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/'
        # 存放段子變量，每一頁單獨存儲
        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的頁碼
    def getPage(self, pageIndex):
        try:
            open_url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            #構建請求的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"鏈接糗事百科錯誤，錯誤編碼:"+e.code
                return None
            if hasattr(e, "reason"):
                print u"鏈接糗事百科錯誤，錯誤緣由:"+e.reason
                return None
    # 傳入某一頁頁碼，返回不帶圖片的段子
    def getPageItem(self, pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print u"頁面加載失敗"
            return None
        pattren = re.compile(r'<div class="author clearfix">.*?<h2>(.*?)</h2>(.*?)<div class="single-clear">',re.S)
        items = re.findall(pattren, pageCode)
        #用來存儲每頁的段子們
        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:
                    # 將sec_str[0] 中的br轉換爲\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
    # 加載並提取頁面的內容，加入到列表
    def loadPage(self):
        if self.enable == True:
            if len(self.stories) < 1:
                # 獲取新的一頁
                pageStories = self.getPageItem(self.pageIndex)
                # 將該頁的段子存放到全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    self.pageIndex += 1
    # 調用該方法，每次敲一個回車打印出一個段子
    def getOneStory(self, pageStories, page):
        # 遍歷一頁的段子
        for story in pageStories:
            # 等待用戶輸入
            input = raw_input()
            # 每輸入一次回車，判斷一下是否須要加載新的頁面
            self.loadPage()
            # 若是輸入Q表示結束程序
            if input == '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"您正在讀糗事百科，按回車查看段子，按Q退出"
        #使遍歷變爲True 程序能夠正常運行
        self.enable = True
        self.loadPage()
        # 局部變量，控制當前讀到第幾頁
        nowPage = 0
        while self.enable:
            if len(self.stories) >0:
                # 從全局list中讀取一頁段子
                pageStories = self.stories[0]
                # 當前讀到的頁數增長一
                nowPage +=1
                # 將全局list中第一個元素刪除，由於已經取出
                del self.stories[0]
                #輸出該頁的段子
                self.getOneStory(pageStories, nowPage)


spider = QSBK()
spider.start()

 

生成的實例