练习爬取糗事百科段子,直接上代码洛,有注释哦。。。
__author__="a958832776"
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
class qiushibaikeclass:
#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=[]
#程序是否继续
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/' + str(pageIndex)
#构建请求request
request=urllib2.Request(url,headers=self.headers)
#利用urlopen获取页面代码
response=urllib2.urlopen(request)
#将页面代码转换成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('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
# '="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
pattern=re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?<div class="content">(.*?)</div>.*?<div class="stats".*?i class="number">(.*?)</i>(.*?)</span>.*?<span class="dash".*?i class="number">(.*?)</i>(.*?)</a>',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:
#haveImg = re.search("img",item[3])
#if not haveImg:
#item[0]是一个段子的发布者,item[1]是发布时间,item[2]是内容,item[4]是点赞数
pageStories.append([item[0].strip(),item[1].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
#每次回车打印输出一个段子
def printOneStory(self,pageStories,page):
#遍历一页的段子
for story in pageStories:
#等待用户输入
input = raw_input()
self.loadPage();
#如果输入Q则结束
if input=="Q":
self.enable=False
return
print u"%d%s%s%s%s\n" %(page,story[0],story[1],story[2],story[3])
#开始方法
def start(self):
print u"enter contiune q exit"
#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.printOneStory(pageStories,nowPage)
#实例化类
spider=qiushibaikeclass()
#开始抓取
spider.start()
代码中的正则表达式和输出可以任意更换成自己想要的格式,不明白的地方欢迎留言交流。