Python爬虫——抓取糗百段子
在别人博客里学习的 抓取糗百段子，由于糗百不断的更新，代码需要改正。
抓取网页：http://www.qiushibaike.com/hot/page/1
修改后的代码如下：
# -*- coding:utf-8 -*- import urllib import urllib2 import re import thread import time #糗事百科爬虫类 class QSBK: #初始化方法，定义一些变量 def __init__(self): self.pageIndex = 1 #user_agent 从火狐 HttpFox中headers查找到 #self.user_agent = 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:45.0)' 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 #传入某一页的索引获得页面代码 def getPage(self,pageIndex): try: url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex) #构建请求的request request = urllib2.Request(url,headers = self.headers) #利用urlopen获取页面代码 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 class="author clearfix">.*?href.*?<img src.*?title=.*?<h2>(.*?)</h2>.*?<div class="content">(.*?)</div>.*?<i class="number">(.*?)</i>',re.S) items = re.findall(pattern,pageCode) #print len(items) #print "*****items" #用来存储每页的段子们 pageStories = [] #遍历正则表达式匹配的信息 i = 0 for item in items: #如果不含有图片，把它加入list中 #if not haveImg: replaceBR = re.compile('<.?span>') #将<br/> 用 换行符\n 替换 text = re.sub(replaceBR,"\n",item[1]) #item[0]是一个段子的发布者，item[1]是内容，item[2]是发布时间,item[4]是点赞数 pageStories.append([item[0],text,item[2]]) #strip()作用：去掉转义字符后输出 #print item[0] +"-------0t" #print item[1] +"-------0T" #print text + "******TEXT" #print item[2] +"-------0t" 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 print len(self.stories) #调用该方法，每次敲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 "$$$" print len(story) #现在网页已没有发布时间了 #print u"第%d页\t发布人:%s\t发布时间:%s\t赞:%s\n%s" %(page,story[0],story[2],story[3],story[1]) print u"第%d页\t发布人:%s\t赞:%s\n%s" %(page,story[0],story[2],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: #print len(self.stories) #print "-------stories" #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] #print "---------------------------------" #print len(pageStories) #print nowPage #输出该页的段子 self.getOneStory(pageStories,nowPage) spider = QSBK() spider.start()
