学习记录：python糗百爬虫

来源：互联网发布：学java看什么视频编辑：程序博客网时间：2024/06/06 11:40

最近想了解下爬虫是如何运作的，就在酷勤网上找了爬虫的教程学习了下，顺便学下下python的基本语法。
由于网上的代码是无缩进版本的，本人对python产生了奇怪的怨念。
花了半天才调整出能跑的格式。

遇到的问题如下：
1.# -- coding:utf-8 --
这句话很重要，不然连注释都会报错。
2.不能手贱多打空格，不然会出现缩减不匹配的问题
3.网上所给的正则表达式已经不能再匹配当前的糗百网页，需要重新改写。
4.没缩减的代码看起来真的好累，不知道什么地方结束什么地方开始。有几个return不知道该属于哪一块，虽然如此，但是代码能跑起来0 0

另外，对python语句以下了解：
1. __ author __好像没什么用处，只是声明作者，用法很有意思
2.return 和return None意思其实是一样的
3.虽然有些不是很明白，但是好像用到的很多库都是python自带的
4.对方法里的self问题的理解

http://www.cnblogs.com/linuxcat/archive/2012/01/05/2220997.html
首先明确的是self只有在类的方法中才会有，独立的函数或方法是不必带有self的。self在定义类的方法时是必须有的，虽然在调用时不必传入相应的参数。self名称不是必须的，在python中self不是关键词，你可以定义成a或b或其它名字都可以,但是约定成俗，不要搞另类，大家会不明白的。self指的是类实例对象本身(注意：不是类本身)。

运行结果

__author__='ttt'# -*- coding:utf-8 -*-import urllibimport urllib2import reimport threadimport timeclass 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 }        #存放程序是继续运行的变量        self.stories=[]        #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)            #讲页面转化为UTF-8编码            pageCode = response.read().decode('utf-8')            return pageCode        except urllib2.URLError, e:            if hasattr(e,"reason"):                print u"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.*?<h2>(.*?)</h2>.*?<div.*?class="content".*?<span>(.*?)</span>(.*?)<div.*?class="stats-vote".*?class="number">(.*?)</i>',re.S)        items = re.findall(pattern,pageCode)        #用来存储每页的段子们        pageStories = []        #便利正则表达式匹配的信息        for item in items:            #是否含有图片            haveImg = re.search("img",item[2])            #如果不含有图片,把它加入list中            if not haveImg:                #item[0]是一个段子的发布者,item[1]是内容,item[3]是点赞                pageStories.append([item[0].strip(),item[1].strip(),item[3].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,则加载新的一页        if self.enable == True:            if len(self.stories) < 2:                   #获取新一页                pageStories = self.getPageItems(self.pageIndex)                #讲该页的段子存放到全局list中                if pageStories:                    self.stories.append(pageStories)                    #获取玩之后页码所以加一,表示下次读取下一页                    self.pageIndex += 1    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\n%s\n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]            #输出该页段子            self.getOneStory(pageStories,nowPage)spider = QSBK()spider.start()

0 0