【python】抄写大神的糗事百科代码

照着静觅大神的博客学习，原文在这：http://cuiqingcai.com/990.html

划重点：

1. str.strip() strip函数会把字符串的前后多余的空白字符去掉

2. response.read().decode('utf-8','ignore') 要加'ignore'忽略非法字符，不然总是报解码错误

3. python 3.x 中 raw_input 改成 input 了

4. 代码最好用notepad++先写 格式清晰一点 容易发现错 尤其是缩进和中文标点的错误

5. .*? 常用组合， 后面的?表示非贪婪模式

用python3.4.3实现的糗百爬虫代码如下（就是照着大神的抄的，把2.x的部分给改了而已）：

import urllib.request
import urllib.parse
import re
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
self.user_agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.93 Safari/537.36'
self.headers = {'User-Agent' : self.user_agent}
#存放段子的变量，每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)
request = urllib.request.Request(url, headers = self.headers)
response = urllib.request.urlopen(request)
pageCode = response.read().decode('utf-8','ignore') #这个ignore忽略非法字符 一定要加 不然总报解码错误
return pageCode
except urllib.error.URLError as 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，返回本页不断图片的段子列表
def getPageItems(self, pageIndex):
pageCode = self.getPage(pageIndex)
if not pageCode:
print(u"页面加载失败....")
return None
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>', re.S)
items = re.findall(pattern, pageCode)
#用来存储每页的段子
pageStories = []
for item in items:
haveImg = re.search("img", item[3])
if not haveImg:
replaceBR = re.compile('<br/>')
text = re.sub(replaceBR, "\n", item[1])
pageStories.append([item[0].strip(), text.strip(),item[4].strip()]) #.strip（） 用来删除空白符
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)
#页码加1，下次读取下一页
self.pageIndex += 1
#每次敲回车打印一个段子
def getOneStory(self,pageStories,page):
#遍历一页的段子
for story in pageStories:
#等待用户输入
input_v = 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_v == "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2了第几页
nowPage = 0
while self.enable:
if len(self.stories) > 0:
#从全局list中获取一页段子
pageStories = self.stories[0]
#当前读到的页数加1
nowPage += 1
#删除已经取出的元素
del self.stories[0]
#输出该页的段子
self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()