Python 爬虫 糗事百科 (改)
来源:互联网 发布:分布式算法导论 pdf 编辑:程序博客网 时间:2024/06/04 19:38
出问题主要是正则表达式的修改
# -*- coding:utf-8 -*-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/5.0 (X11; Linux x86_64)' #初始化headers self.headers={'User-Agent' : self.user_agent} #存放变量,每一个元素是每一页的段子 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,获得段子内容 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">.*?<span>(.*?)</span>.*?</div>.*?<i class="number">(.*?)</i>',re.S) items = re.findall(pattern,pageCode) #用来存储每页的段子 pageStories=[] for item in items: #将<br/>编译成对象,加快匹配速度 replaceBR=re.compile('<br/>') #把<br/>替换成换行 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: #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 糗事百科 (改)
- 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(1):糗事百科
- Python爬虫实战:糗事百科
- python爬虫_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(一)——爬取糗事百科
- python爬虫实战-糗事百科(最新版亲测好用)
- Python网络爬虫(5)糗事百科段子抓取
- python爬虫(6)爬取糗事百科
- [Python]糗事百科的网络爬虫(v0.4)源码
- python爬虫学习笔记(1)-爬取糗事百科
- 设置navicat数据库主键自增 1062报错以及result in duplicate entry '' for key 'primary'
- C#基础-数据类型
- 【转】C++中的引用类型和枚举类型
- Python 时间戳和日期相互转换
- 20170316#cs231n#8.Convolutional Neural Networks
- Python 爬虫 糗事百科 (改)
- 移动端与PHP服务端接口通信流程设计(基础版)
- React-Native ref用法和setNativeProps
- ELGG的开发学习
- 美国当局找到了2014年雅虎5亿数据泄露的罪魁祸首?
- TCP之RST发送场景
- 洛谷P2221 [HAOI2012] 高速公路
- mybatis实现分页
- vue.js编写蓝色拼图小游戏