糗百的HTML更改后的python爬虫,2016,7,5 总计
2016-07-05 21:24
411 查看
最新的糗百HTML格式如下:
<div class="content">
真事,求过。 我们单位的MM们几乎都是90后的,个个都是月光族阿,有一次刚发工资就听见一美女说我赶紧的去买一包卫生巾去,要不然月底就没钱买了,我正喝着直接笑喷了,真事,求过。
<!--1443056753-->
</div>
代码更改注意问题:带有中文的list对象的输出一定要慎重,看懂并会用以下几个例子.
https://blog.longwin.com.tw/2014/09/python-list-print-chinese-2014/这里介绍的很好。
但是,还有个很重要的问题
myItems = re.findall('<div class="content">(.*?)</div>',unicodePage,re.S)
items=[]
i=1
for item in myItems:
items.append([item.replace("\n","")])
for item in items:
print
print item
如果这样,会有下面的输出。这是不对的。首先这是两个List,,第一个List=['第一个段子','第二个段子',.....],每个段子又是一个List,如下面所示,这个List只有一个对象,就是item[0],这个对象用''符号包围着,所以print item[0]
[u'\u590f\u5929\u5230\u4e86 \u5929\u6c14\u5f88\u70ed \u8bb8\u591a\u7537\u5b69\u5305\u62ec\u6211\u559c\u6b22\u628a\u4f53\u6064\u5411\u4e0a\u5377\u8d77\u6765 \u6f0f\u51fa\u810a\u80cc\u51c9\u5feb \u4f46\u662f \u6211\u8981\u8bf4\u7684\u662f\u4e00\u4e9b\u5428\u4f4d\u8f83\u5927\u7684\u7537\u751f
\u628a\u4f53\u6064\u63d0\u5230\u80c3\u90e8\u5de6\u53f3\u7acb\u523b \u4e0d\u8981\u518d\u5f80\u4e0a\u6f0f\u51fa\u54aa\u54aa \u8fd9\u662f\u5bf9\u4e00\u4e9b\u5e73\u80f8\u59b9\u5b50\u6700\u57fa\u672c\u5c0a\u91cd\uff01\uff01\uff01']
#-*- coding: UTF-8 -*-
import urllib2
import urllib
import re
import thread
import time
#----------- 加载处理糗事百科 -----------
class Spider_Model:
def __init__(self):
self.page = 1
self.pages = []
self.enable = False
self.items_all=0;
#self.items_eachpage=0;
# 将所有的段子都扣出来,添加到列表中并且返回列表
def GetPage(self,page):
myUrl = "http://m.qiushibaike.com/hot/page/" + page
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
req = urllib2.Request(myUrl, headers = headers)
myResponse = urllib2.urlopen(req)
myPage = myResponse.read()
#encode的作用是将unicode编码转换成其他编码的字符串
#decode的作用是将其他编码的字符串转换成unicode编码
unicodePage = myPage.decode("utf-8")
# 找出所有class="content"的div标记
#re.S是任意匹配模式,也就是.可以匹配换行符
#myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)
myItems = re.findall('<div class="content">(.*?)</div>',unicodePage,re.S)
items = []
for item in myItems:
# item 中第一个是div的标题,也就是时间
# item 中第二个是div的内容,也就是内容
#items.append([item[0].replace("\n",""),item[1].replace("\n","")])
items.append([item.replace("\n","")])
return items
# 用于加载新的段子
def LoadPage(self):
# 如果用户未输入quit则一直运行
while self.enable:
# 如果pages数组中的内容小于2个
if len(self.pages) < 2:
try:
# 获取新的页面中的段子们
myPage = self.GetPage(str(self.page))
self.page += 1
self.pages.append(myPage)
except:
print '无法链接糗事百科!'
else:
time.sleep(1)
def ShowPage(self,nowPage,page):
for items in nowPage:
self.items_all+=1
print u'第%d页' % page,u'总计第%d个段子' % self.items_all
myInput = raw_input()
print items[0]#.encode("utf-8") ## much attention here
###print item
87cc
is wrong
###
###
print ''
if myInput == "quit":
self.enable = False
break
def Start(self):
self.enable = True
page = self.page
print u'正在加载中请稍候......'
# 新建一个线程在后台加载段子并存储
thread.start_new_thread(self.LoadPage,())
#----------- 加载处理糗事百科 -----------
while self.enable:
# 如果self的page数组中存有元素
if self.pages:
nowPage = self.pages[0]
del self.pages[0]
self.ShowPage(nowPage,page)
page += 1
#----------- 程序的入口处 -----------
print u"""
---------------------------------------
程序:糗百爬虫
版本:0.3
作者:why
日期:2014-06-03
语言:Python 2.7
操作:输入quit退出阅读糗事百科
功能:按下回车依次浏览今日的糗百热点
---------------------------------------
"""
print u'请按下回车浏览今日的糗百内容:'
raw_input(' ')
myModel = Spider_Model()
myModel.Start()
<div class="content">
真事,求过。 我们单位的MM们几乎都是90后的,个个都是月光族阿,有一次刚发工资就听见一美女说我赶紧的去买一包卫生巾去,要不然月底就没钱买了,我正喝着直接笑喷了,真事,求过。
<!--1443056753-->
</div>
代码更改注意问题:带有中文的list对象的输出一定要慎重,看懂并会用以下几个例子.
https://blog.longwin.com.tw/2014/09/python-list-print-chinese-2014/这里介绍的很好。
但是,还有个很重要的问题
myItems = re.findall('<div class="content">(.*?)</div>',unicodePage,re.S)
items=[]
i=1
for item in myItems:
items.append([item.replace("\n","")])
for item in items:
print item
如果这样,会有下面的输出。这是不对的。首先这是两个List,,第一个List=['第一个段子','第二个段子',.....],每个段子又是一个List,如下面所示,这个List只有一个对象,就是item[0],这个对象用''符号包围着,所以print item[0]
[u'\u590f\u5929\u5230\u4e86 \u5929\u6c14\u5f88\u70ed \u8bb8\u591a\u7537\u5b69\u5305\u62ec\u6211\u559c\u6b22\u628a\u4f53\u6064\u5411\u4e0a\u5377\u8d77\u6765 \u6f0f\u51fa\u810a\u80cc\u51c9\u5feb \u4f46\u662f \u6211\u8981\u8bf4\u7684\u662f\u4e00\u4e9b\u5428\u4f4d\u8f83\u5927\u7684\u7537\u751f
\u628a\u4f53\u6064\u63d0\u5230\u80c3\u90e8\u5de6\u53f3\u7acb\u523b \u4e0d\u8981\u518d\u5f80\u4e0a\u6f0f\u51fa\u54aa\u54aa \u8fd9\u662f\u5bf9\u4e00\u4e9b\u5e73\u80f8\u59b9\u5b50\u6700\u57fa\u672c\u5c0a\u91cd\uff01\uff01\uff01']
#-*- coding: UTF-8 -*-
import urllib2
import urllib
import re
import thread
import time
#----------- 加载处理糗事百科 -----------
class Spider_Model:
def __init__(self):
self.page = 1
self.pages = []
self.enable = False
self.items_all=0;
#self.items_eachpage=0;
# 将所有的段子都扣出来,添加到列表中并且返回列表
def GetPage(self,page):
myUrl = "http://m.qiushibaike.com/hot/page/" + page
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
req = urllib2.Request(myUrl, headers = headers)
myResponse = urllib2.urlopen(req)
myPage = myResponse.read()
#encode的作用是将unicode编码转换成其他编码的字符串
#decode的作用是将其他编码的字符串转换成unicode编码
unicodePage = myPage.decode("utf-8")
# 找出所有class="content"的div标记
#re.S是任意匹配模式,也就是.可以匹配换行符
#myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)
myItems = re.findall('<div class="content">(.*?)</div>',unicodePage,re.S)
items = []
for item in myItems:
# item 中第一个是div的标题,也就是时间
# item 中第二个是div的内容,也就是内容
#items.append([item[0].replace("\n",""),item[1].replace("\n","")])
items.append([item.replace("\n","")])
return items
# 用于加载新的段子
def LoadPage(self):
# 如果用户未输入quit则一直运行
while self.enable:
# 如果pages数组中的内容小于2个
if len(self.pages) < 2:
try:
# 获取新的页面中的段子们
myPage = self.GetPage(str(self.page))
self.page += 1
self.pages.append(myPage)
except:
print '无法链接糗事百科!'
else:
time.sleep(1)
def ShowPage(self,nowPage,page):
for items in nowPage:
self.items_all+=1
print u'第%d页' % page,u'总计第%d个段子' % self.items_all
myInput = raw_input()
print items[0]#.encode("utf-8") ## much attention here
###print item
87cc
is wrong
###
###
print ''
if myInput == "quit":
self.enable = False
break
def Start(self):
self.enable = True
page = self.page
print u'正在加载中请稍候......'
# 新建一个线程在后台加载段子并存储
thread.start_new_thread(self.LoadPage,())
#----------- 加载处理糗事百科 -----------
while self.enable:
# 如果self的page数组中存有元素
if self.pages:
nowPage = self.pages[0]
del self.pages[0]
self.ShowPage(nowPage,page)
page += 1
#----------- 程序的入口处 -----------
print u"""
---------------------------------------
程序:糗百爬虫
版本:0.3
作者:why
日期:2014-06-03
语言:Python 2.7
操作:输入quit退出阅读糗事百科
功能:按下回车依次浏览今日的糗百热点
---------------------------------------
"""
print u'请按下回车浏览今日的糗百内容:'
raw_input(' ')
myModel = Spider_Model()
myModel.Start()
相关文章推荐
- Python读写json文件
- Python3 Pickle报错 TypeError
- OBIEE权限管理-WLST脚本
- Python读取等宽数据文件
- python系列0
- [Python学习笔记]1——从零开始学Python
- python+Eclipse+pydev环境搭建
- Python IDLE reload(sys)后print无法正常执行命令的原因
- C/Python实现的一道笔试题
- Python读取Microsoft Excel文件
- Python查找第n个子串小技巧
- Python--内存管理
- python 2.7.10 找不到 libmysqlclient.18.dylib 解决方案
- Python读取CSV文件
- python strip()函数
- Python 语言及其应用 Chapter_6_Note 2 用write()写文本文件
- python find()
- Python代码模块热更新机制实现(reload)
- Python 正则表达式练习
- Python中shutil模块的常用文件操作函数用法示例