Python爬虫——糗百

2016.9.11

本文档代码参考：http://cuiqingcai.com/990.html，在此基础上增加了显示条数的设置。

Python版本：2.7

相关知识点学习

一、urllib2库

1、扒下网页源代码

import urllib2

response = urllib2.urlopen("http://www.baidu.com")
print response.read()

二、请求加上头信息，伪装成浏览器访问

在网页按F12->network,点击第一个请求，查看headers，可看到General、Response Headers 、Request Headers三个分类，有

• Request URL: https://www.zhihu.com/
• Request Method:GET
• User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36
• 等等参数。

其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent

三、input VS raw_input

1、这两个函数均能接收 字符串 ，但 raw_input() 直接读取控制台的输入（任何类型的输入它都可以接收）。而对于 input() ，它希望能够读取一个合法的 python 表达式，即你输入字符串的时候必须使用引号将它括起来，否则它会引发一个 SyntaxError 。

2、raw_input() 将所有输入作为字符串看待，返回字符串类型。而 input() 在对待纯数字输入时具有自己的特性，它返回所输入的数字的类型（ int, float ）；同时，input() 可接受合法的 python 表达式，举例：input( 1 + 3 ) 会返回 int 型的 4 。

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


class QSBK:
    def __init__(self):
        self.pageIndex = 1
        self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        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
        # 设置每次读取的次数，默认是1
        self.ReadNum = 1

    def getPage(self, pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            request = urllib2.Request(url, headers=self.headers)
            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.*?author clearfix">.*?<a.*?<img.*?<h2>(.*?)</h2>.*?<div.*?' +
                             'content">(.*?)</div>.*?<div class="stats.*?class="number">(.*?)</i>.*?' +
                             'cmt-god.*?main-text">(.*?)</div>', 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信息
        for item in items:
            # item[0]是一个段子的发布者，item[1]是内容，item[2]是点赞数,item[3]是神评论
            # 删除strip（）开头结尾处的空白
            pageStories.append([item[0].strip(), item[1].strip(), item[2].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,Num):
        tmp = Num
        input = raw_input()
        if input == "Q":
            self.enable = False
            return
        # 遍历一页的段子
        for story in pageStories:
            tmp -= 1
            if tmp==0:
                input = raw_input()
                if input == "Q":
                    self.enable = False
                    return
                tmp = Num
            self.loadPage()
            # 如果输入Q则程序结束
            print u"第%d页\t发布人:%s\t点赞数:%s\n内容:%s\n神评论%s\n" % (page, story[0], story[2], story[1], story[3])


    # 开始方法
    def start(self):
        print u'请设置每次阅读的条数'
        self.ReadNum = input()
        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,self.ReadNum)

spider = QSBK()
spider.start()