Python爬虫学习1--糗事百科

学习CQC同学的代码

以下是一些学习经验

# -*- coding:utf-8 -*-
import urllib
import urllib2
import re

page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)                #百科网址
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'    #headers验证
headers = { 'User-Agent' : user_agent }
try:
    request = urllib2.Request(url,headers = headers)                         #网址请求
    response = urllib2.urlopen(request)                                             #页面回应
    content = response.read().decode('utf-8')                                   #页面内容
    #正则匹配
    pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?'+
                         '<div class="content">.*?<span>(.*?)</span>.*?</div>.*?'+
                         '<div class="stats">.*?class="number">(.*?)</i>',re.S) 
    #返回所有匹配项构成的序列，每一项有3个元组
    items = re.findall(pattern,content)
    #遍历序列
    for item in items:
        haveImg = re.search("img",item [2] )
        if not haveImg:
            #输出序列每项里的各个元组
            print item[0],'\n',item [1] ,'\n',item [2]
            print '\n'
except urllib2.URLError, e:
    if hasattr(e,"code"):
        print e.code
    if hasattr(e,"reason"):
        print e.reason

CQC同学的源码因为网站的更新不能使用了，主要是因为正则表达式已经不再适用了，以如下正则表达式修改之后就可行了。

pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?'+
                         '<div class="content">.*?<span>(.*?)</span>.*?</div>.*?'+
                         '<div class="stats">.*?class="number">(.*?)</i>',re.S)

以下是修改之后的面向对象编程。

# -*- coding: cp936 -*-
__author__ = 'ETC'
# -*- 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)
            #利用urlopen获取页面代码
            response = urllib2.urlopen(request)
            #将页面转化为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 clearfix">.*?<h2>(.*?)</h2>.*?'+
                         '<div class="content">.*?<span>(.*?)</span>.*?</div>.*?<div class="stats">.*?class="number">(.*?)</i>',re.S)
        #返回匹配的所有项目
        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[2])
            #如果不含有图片，把它加入list中
            if not haveImg:
                #匹配</br>
                replaceBR = re.compile('<br/>')
                #替换成换行
                text = re.sub(replaceBR,"\n",item[1])
                #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
                #字符串.strip（）：完成去空格
                #以list形式 加入到pagestories
                pageStories.append([item[0].strip(),text.strip(), item[2].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

    #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:
            #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赞:%s\n%s" %(page,story[0],story[2],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
        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.getOneStory(pageStories,nowPage)


spider = QSBK()
spider.start()

1. 调用url2.request()，urlopen()，read()：
   request = urllib2.Request(url,headers = self.headers)
#利用urlopen获取页面代码
response = urllib2.urlopen(request)
#将页面转化为UTF-8编码
pageCode = response.read().decode('utf-8')
   得到整个页面的内容

2. 正则表达式，调用re.findall():
   #返回匹配的所有项目
items = re.findall(pattern,pageCode)
   得到所有匹配内容构成的序列items

   1. 表达式里的()：使得可以用item[]访问各项中需要的内容
   2. re.sub():替换匹配到的内容
      #匹配</br>
replaceBR = re.compile('<br/>')
#替换成换行
text = re.sub(replaceBR,"\n",item[1])
3. pagestories.append()方法:
   pageStories.append([item[0].strip(),text.strip(), item[2].strip()])
   加入items各项内容

4. 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()

   等待一个回车，程序才能继续下去。

5. 及时释放内存
   #将全局list中第一个元素删除，因为已经取出
del self.stories[0]