python爬虫学习之路（3）_ 糗百故事爬取（改）

本人初学，教程出处：http://cuiqingcai.com/990.html

原文中的内容相当精辟，我就不再总结了（显得有点多余）！原文代码有些旧，自己改了一下，更新了一些

主要思路：

                 1.不断获取页面信息，解析页面代码

                 2.优先使用正则匹配出每条内容都具备的信息以及特殊代码（例如有图片的内容、神评论）

                 3.匹配特殊代码，打印不同信息

# encoding:utf-8
import urllib
import urllib2
import re
import thread
import time

class QSBK:
    def __init__(self):
        self.pageIndex = 1
        self.user_agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:49.0) Gecko/20100101 Firefox/49.0'
        self.headers = {'User-Agent':self.user_agent}
        self.stories = []
        self.enable = False

    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)
            pageCode = response.read().decode('utf-8')
            return pageCode

        except urllib2.URLError,e:
            if hasattr(e,'reason'):
                print('糗事百科连接失败，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">.*?<h2>(.*?)</h2>.*?'
                             + '<a.*?contentHerf.*?<span>(.*?)</span>(.*?)'
                             + 'class="stats-vote"><i class="number">(.*?)</i>.*?'
                             + '<span.*?stats-comments.*?<i class="number">(.*?)</i>.*?'
                             + 'single-clear(.*?)qiushi_tag', re.S)

        '''
        #发布者                    0
        #内容                      1
        #可能包含图片的代码块       2*
        #好笑                      3
        #评论数                    4
        #可能包含神评的代码块       5*
        '''

        items = re.findall(pattern, pageCode)
        # 用来存储每页的段子们
        pageStories = []

        # 匹配图片
        pat0 = re.compile('<div class="thumb"', re.S)

        # 遍历正则表达式匹配的信息
        for item in items:
            # 是否含有图片
            haveImg = re.findall(pat0, item[2])
            # 如果不含有图片，把它加入list中
            if len(haveImg) < 1:
                # 发布者、内容、好笑、评论、(神评者、神评)
                pageStories.append([item[0],item[1],item[3],item[4],item[5]])
        return pageStories

    def loadPage(self):
        if self.enable == True:
            if len(self.stories) < 2:
                pageStories = self.getPageItems(self.pageIndex)
                if pageStories:
                    self.stories.append(pageStories)
                    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):
        pat = re.compile('indexGodCmt', re.S)
        godcname = re.compile('cmt-name">(.*?)</span>', re.S)
        godccontent = re.compile('main-text">(.*?)</div>', re.S)
        # 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

            # 对代码块5 进行解析，判断是否包含神评部分
            godComment = re.findall(pat, story[4])
            if len(godComment)<1 :
                print u"第%d页\t发布人:%s\t\t好笑:%s\t评论数:%s\n%s\n" % (page, story[0], story[2],story[3], story[1] )
            else:
                cname = re.findall(godcname, story[4])
                ccontent = re.findall(godccontent, story[4])
                print u"第%d页\t发布人:%s\t\t好笑:%s\t评论数:%s\n%s\n(神评)%s%s\n" % (page, story[0], story[2], story[3], story[1].replace("<br/>","\n"), cname[0], ccontent[0])

    def start(self):
        print u'正在读取糗事百科，按回车查看新段子，按Q退出'
        # 使变量为true，可以正常执行程序
        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+1
                nowPage += 1
                # 将全局list中的第一个元素删除，上文中已经取出
                del self.stories[0]
                # 跳出该页的段子
                self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()

运行效果截图：