python爬虫实战-糗事百科(最新版亲测好用)
来源:互联网 发布:网络工程和软件开发 编辑:程序博客网 时间:2024/05/16 08:44
最近在学习python爬虫
学习网站为:http://cuiqingcai.com/tag/%E7%88%AC%E8%99%AB
以下代码大部分是引用自http://cuiqingcai.com/990.html
只不过因为原作者是几年前写的,糗事百科已经改版所以不适用
主要问题出在正则表达式匹配上
我参考了几个人的意见,加上自己的思考修改了一下
亲测能用
2016.8.5
# -*- coding:utf-8 -*-#糗事百科import urllibimport urllib2import reimport threadimport 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 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) # 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: replaceBR = re.compile('<br/>') 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].strip(), text.strip(), item[2].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): # 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 u"第%d页\t发布人:%s\t内容:%s\t赞:%s\n" % (page, story[0], story[1], story[2]) # 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: # 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)spider = QSBK()spider.start()
0 0
- python爬虫实战-糗事百科(最新版亲测好用)
- Python爬虫实战:糗事百科
- Python爬虫实战(1):爬取糗事百科段子
- Python爬虫实战(1):爬取糗事百科段子
- python爬虫入门 实战(一)---爬糗事百科
- Python 爬虫实战 - 糗事百科段子
- Python爬虫实战之爬糗事百科
- 爬虫实战--糗事百科
- python爬虫糗事百科
- Python糗事百科爬虫
- python爬虫“糗事百科”
- python爬虫糗事百科
- python糗事百科爬虫
- python糗事百科爬虫
- Python 爬虫 —— 糗事百科爬虫实战
- Python 爬虫 糗事百科 (改)
- Python爬虫实战一之爬取糗事百科段子
- Python爬虫实战一之爬取糗事百科段子
- Java研发方向如何准备BAT技术面试答案(上)
- 遇见到的一些小细节
- leaflet circle
- 宏
- HttpUrlConnection Post提交数据到服务器、并得到服务器返回的数据
- python爬虫实战-糗事百科(最新版亲测好用)
- Chord算法
- 在pods导入非pod的文件报错(file not found)的解决办法
- [POJ1840]-Eqs
- 前端工程的构建工具对比 Gulp vs Grunt
- HDOJ 5802 windows 10
- 使用kaptcha生成验证码
- Cocos2d-x Lua getPosition 获取坐标的一个小小错误
- MySQL 入门(七)—— 视图