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。