参考了http://cuiqingcai.com/990.html 进行相应的整理
目标:抓取糗事百科上的段子
分为两步进行:
1. 首先需要抓取糗事百科上的网页信息
2. 对信息进行处理,提取出段子
第一步:获取糗事百科上的网页信息
使用第三方库 urllib2抓取网页信息
urllib2简介
urllib2提供一个基础函数urlopen,通过向指定的URL发出请求来获取数据。最简单的形式就是
- import urllib2
- response=urllib2.urlopen('http://www.qiushibaike.com')
- html=response.read()
这个过程就是我们平时刷网页的代码表现形式,它基于请求-响应模型。
- response=urllib2.urlopen('http://www.qiushibaike.com')
实际上可以看作两个步骤:
1.我们指定一个域名并发送请求
request=urllib2.request('http://www.qiushibaike.com')
2.接着糗事百科 服务器响应来自我们程序的请求,并将所访问网页的页面信息保存到response中
response=urllib2.urlopen(request)
3. 将网页信息保存后,需要将网页信息进行解码
pageCode = response.read().decode('utf-8', 'ignore') #对保存到response中的网页信息进行解码;后面的'ignore'表示忽略不能解码的字符
现在我们完成了第一步,将需要访问的网页信息解码保存到pageCode列表中
第二步:从解码后的网页信息中提取出我们需要的段子
使用正则表达式去除网页中我们不需要的信息,提取出需要的信息;
先在浏览器中打开糗事百科,然后按F12,查看需要获得的段子在什么位置?然后通过正则表达式,提取出来
1. 先使用 re.compile()函数,将正则表达式的字符串形式编译为Pattern实例,可以理解为就是一个查找字符串的规则
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
2.然后根据这个pattern“规则”,从pageCode中找出段子信息
items = re.findall(pattern, pageCode)
代码如下:
# -*- coding: utf-8 -*-
import urllib
import urllib2
import re
import thread
import 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) #向指定的url发送访问请求,同时添加头信息headers,将程序伪装成浏览器来发送请求,因为有的网站不允许程序访问
#利用urlopen获取页面代码
response = urllib2.urlopen(request) #服务器响应来自我们程序的请求,并将所访问网页的页面信息保存到response中,
#将页面转化为UTF-8编码
pageCode = response.read().decode('utf-8', 'ignore') #对保存到response中的网页信息进行解码;后面的'ignore'表示忽略不能解码的字符
return pageCode
#用于异常处理,判断是否有异常情况,如果是产生异常,则打印异常原因
except urllib2.URLError, e:
if hasattr(e, "reason"): # 判断对象e,是否有reason属性,也就是是否有异常产生,有则打印出异常原因
print u"链接糗事百科失败,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
# 将正则表达式编译成pattern实例,可以理解为将该正则表达式编译成一个查找字符串的规则
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
# 根据这个pattern实例查找字符串中的信息
#这里获得的是一页的信息,一页中包含很多个单独的小段子,所以,将每个小段子作为一个列表的元素保存在items中,可以理解为一个二维数组,
#这个二维数组中的一维表示的是一个完整的段子,第二维表示的这个段子中的信息,包括:发布人,内容,时间以及点赞数
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:
#是否含有图片
haveImg = re.search("img", item[3]) #判断是否有图片,如果有则不显示出来
#如果不含有图片,把它加入list中
if not haveImg:
replaceBR = re.compile('<br/>')
text = re.sub(replaceBR, "\n", item[1]) # 将item[1]中的<br/>换行符,换为\n,
#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
#append()是将元素添加到pageStories列表中
pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()])#.strip()函数是指删除字符串中的空白字符,包括('\r', '\t', '\n', ''),并将字符串返回,不改变原字符串
#返回列表
return pageStories
#加载并提取页面的内容,加入到列表中,每一次是加载一页的数据到stories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) #将一页中的所有段子加载到stories中
#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: #pageStories中包含的是一整页的段子,每次遍历,只提取一个段子到story变量中
#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,获得一页的段子
self.loadPage()
#局部变量,控制当前读到了第几页
nowPage = 0
while self.enable:
#判断一页中的段子是否已经全部取出
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)
#创建一个对象
spider = QSBK()
#调用对象方法
spider.start()