python爬虫学习——糗事百科

正文

前言

最近在学习python爬虫，忍不住手痒，拿了糗事百科试试水。

准备工作

python2.7.14版本
开发工具：pycharm

网站页面分析

https://www.qiushibaike.com/hot/page/1/

利用浏览器进行分析，这里获取段子的发布人名称和内容，具体的网页分析不赘述。

利用模块

使用了python的urllib2和自带的re模块。

代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-

__author__ = "SolrSky"

import urllib2
import re

# 糗事百科爬虫类
class QSBK:

	# 初始化方法
	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

	# 传入某一页面的索引获得页面代码
	def getPage(self, pageIndex):
		try:
			url = 'https://www.qiushibaike.com/hot/page/' + str(pageIndex)
			# 构建request
			request = urllib2.Request(url, headers=self.headers)
			# 利用urlopen获取当前页面代码
			response = urllib2.urlopen(request)
			# 读取页面数据并转为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，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.*?author.*?clearfix">.*?<a.*?</a>.*?<a.*?<h2>(.*?)</h2>.*?</a>.*?<div.*?' +
		                     'content">.*?<span>(.*?)</span>.*?</div>.*?<!--(.*?)-->(.*?)<div.*?stats">', 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内容
		for item in items:
			# 是否包含图片
			haveImg = re.search("img", item[3])
			# 如果不含图片，则加入list中
			if not haveImg:
				# 替换文本中的<br/>
				replaceBR = re.compile("<br/>")
				text = re.sub(replaceBR, "\n", item[1])
				pageStories.append([item[0].strip(), text.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1，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 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\t发布人：%s\t\t发布内容：%s" %(page,story[0],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键退出"
		# 是变量enable变为True，保证程序可执行
		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的第一个元素删除，因为已经取过了
				del self.stories[0]
				# 输出该页的段子
				self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()

备注

这里没有将段子进行保存，只是利用正则表达式，简单的匹配了每一段的内容，外加一个自动翻页的功能。后面可能会利用Scrapy框架来重新写一个吧。