#coding=utf-8
import urllib2
import re
class Spider:
"""
内涵段子爬虫类
"""
def __init__(self, page, enable):
self.page = page
self.enable = enable
def loadPage(self, page):
url = 'http://www.neihan8.com/article/list_5_' + str(page) + '.html'
#User-Agent头
user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0'
headers = {'User-Agent': user_agent}
req = urllib2.Request(url, headers = headers)
response = urllib2.urlopen(req)
html = response.read()
gbk_html = html.decode('gbk').encode('utf-8')
# 找到所有的段子内容<div class = "f18 mb20"></div>
# re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串,如果没有则下一行重新匹配
# 如果加上re.S 则是将所有的字符串将一个整体进行匹配
pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', re.S)
item_list = pattern.findall(gbk_html)
print item_list
return item_list
def printOnePage(self, item_list, page):
"""
@brief 处理得到的段子列表
@param item_list 得到的段子列表
@param page 处理第几页
"""
print "******* 第 %d 页 爬取完毕...*******" % page
for item in item_list:
print "================"
item = item.replace("<p>", "").replace("</p>", "").replace("<br />", "")
print item
self.writeToFile(item)
def writeToFile(self, text):
'''
@brief 将数据追加写进文件中
@param text 文件内容
'''
myFile = open("./duanzi.txt", 'a') # 追加形式打开文件
myFile.write(text)
myFile.write("-----------------------------------------------------")
myFile.close()
def doWork(self):
'''
让爬虫开始工作
'''
while self.enable:
try:
item_list = self.loadPage(self.page)
except urllib2.URLError, e:
print e.reason
continue
# 对得到的段子item_list处理
self.printOnePage(item_list, self.page)
self.page += 1 # 此页处理完毕,处理下一页
print "按回车继续..."
print "输入 quit 退出"
command = raw_input()
if (command == "quit"):
self.enable = False
break
if __name__ == '__main__':
"""
======================
内涵段子小爬虫
======================
"""
print '请按下回车开始'
raw_input()
#定义一个Spider对象
mySpider = Spider(1, True)
mySpider.doWork()
Python 一个爬虫的案例
最新推荐文章于 2024-06-26 13:50:07 发布