import urllib
import requests
import re
class QSBK:
#初始化方法,定义一些变量
def __init__(self):
self.pageIndex = 1
self.user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
self.headers = {'User-Agent':self.user_agent}
self.stories = []
self.enable = False
#获取网页代码
def getPage(self,pageIndex):
url = 'http://www.qiushibaike.com/hot/page/'+str(pageIndex)
reponse = requests.get(url,headers = self.headers)
html = reponse.text
return html #连getPageItems
#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.*?<a.*?<h2>(.*?)</h2>.*?<span>(.*?)</span>.*?-->(.*?)<div class="stats',re.S)
items = re.findall(pattern,pageCode)
pageStories = []
for item in items:
havImg = re.search("img",item[2])
if not havImg:
replaceBR = re.compile('<br/>')
text = re.sub(replaceBR,"\n",item[1])
pageStories.append([item[0].strip(),text.strip(),item[1].strip()])
return pageStories #连getOneStory
#加载并提取页面的内容,加入到列表
def loadPage(self):
#如果爬的第一页段子少于2个就再怕一页
if self.enable == True:
if len(self.stories)<2:
#爬新一页
pageStories = self.getPageItems(self.pageIndex)
#将该页的段子放到全局list中
if pageStories:
self.stories.append(pageStories)
#爬完后页码加一,表示下次读取下一页
self.pageIndex += 1
#调用该方法,每敲一次就出来个段子
def getOneStory(self,pageStorys,page):
for story in pageStorys:
#等待输入指令
inputZL = input()
#每当出入一次回车,判断下是否要加载新页面
self.loadPage()
#输入是q则程序终止
if inputZL == 'q':
self.enable = False
return #让这函数结束,不执行下面print
print('第%d页\t发布人:%s\t 段子:%s'%(page,story[0],story[1]))
def start(self):
print('正在读取糗事百科,按回车查看新段子,q退出')
#是变量变为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1
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)
if __name__ == '__main__':
spider = QSBK()
spider.start()
爬取糗事百科
最新推荐文章于 2020-10-21 14:10:52 发布