最近想了解下爬虫是如何运作的,就在酷勤网上找了爬虫的教程学习了下,顺便学下下python的基本语法。
由于网上的代码是无缩进版本的,本人对python产生了奇怪的怨念。
花了半天才调整出能跑的格式。
遇到的问题如下:
1.# -- coding:utf-8 --
这句话很重要,不然连注释都会报错。
2.不能手贱多打空格,不然会出现缩减不匹配的问题
3.网上所给的正则表达式已经不能再匹配当前的糗百网页,需要重新改写。
4.没缩减的代码看起来真的好累,不知道什么地方结束什么地方开始。有几个return不知道该属于哪一块,虽然如此,但是代码能跑起来0 0
另外,对python语句以下了解:
1. __ author __好像没什么用处,只是声明作者,用法很有意思
2.return 和return None意思其实是一样的
3.虽然有些不是很明白,但是好像用到的很多库都是python自带的
4.对方法里的self问题的理解
http://www.cnblogs.com/linuxcat/archive/2012/01/05/2220997.html
首先明确的是self只有在类的方法中才会有,独立的函数或方法是不必带有self的。self在定义类的方法时是必须有的,虽然在调用时不必传入相应的参数。self名称不是必须的,在python中self不是关键词,你可以定义成a或b或其它名字都可以,但是约定成俗,不要搞另类,大家会不明白的。self指的是类实例对象本身(注意:不是类本身)。
__author__='ttt'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
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 }
#存放程序是继续运行的变量
self.stories=[]
#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)
#讲页面转化为UTF-8编码
pageCode = response.read().decode('utf-8')
return pageCode
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"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.*?<h2>(.*?)</h2>.*?<div.*?class="content".*?<span>(.*?)</span>(.*?)<div.*?class="stats-vote".*?class="number">(.*?)</i>',re.S)
items = re.findall(pattern,pageCode)
#用来存储每页的段子们
pageStories = []
#便利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:
#item[0]是一个段子的发布者,item[1]是内容,item[3]是点赞
pageStories.append([item[0].strip(),item[1].strip(),item[3].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,则加载新的一页
if self.enable == True:
if len(self.stories) < 2:
#获取新一页
pageStories = self.getPageItems(self.pageIndex)
#讲该页的段子存放到全局list中
if pageStories:
self.stories.append(pageStories)
#获取玩之后页码所以加一,表示下次读取下一页
self.pageIndex += 1
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\n%s\n赞%s\n"%(page,story[0],story[1],story[2])
#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]
#输出该页段子
self.getOneStory(pageStories,nowPage)
spider = QSBK()
spider.start()