Python爬虫学习1--糗事百科

学习CQC同学的代码

以下是一些学习经验

# -*- coding:utf-8 -*-
import urllib
import urllib2
import re

page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)                #百科网址
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'    #headers验证
headers = { 'User-Agent' : user_agent }
try:
request = urllib2.Request(url,headers = headers)                         #网址请求
response = urllib2.urlopen(request)                                             #页面回应
content = response.read().decode('utf-8')                                   #页面内容
#正则匹配
pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?'+
'<div class="content">.*?<span>(.*?)</span>.*?</div>.*?'+
'<div class="stats">.*?class="number">(.*?)</i>',re.S)
#返回所有匹配项构成的序列，每一项有3个元组
items = re.findall(pattern,content)
#遍历序列
for item in items:
haveImg = re.search("img",item [2] )
if not haveImg:
#输出序列每项里的各个元组
print item[0],'\n',item [1] ,'\n',item [2]
print '\n'
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason

CQC同学的源码因为网站的更新不能使用了，主要是因为正则表达式已经不再适用了，以如下正则表达式修改之后就可行了。

pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?'+
'<div class="content">.*?<span>(.*?)</span>.*?</div>.*?'+
'<div class="stats">.*?class="number">(.*?)</i>',re.S)

以下是修改之后的面向对象编程。

# -*- coding: cp936 -*-
__author__ = 'ETC'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
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/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">.*?<h2>(.*?)</h2>.*?'+
'<div class="content">.*?<span>(.*?)</span>.*?</div>.*?<div class="stats">.*?class="number">(.*?)</i>',re.S)
#返回匹配的所有项目
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:
#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:
#匹配</br>
replaceBR = re.compile('<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]是发布时间,item[4]是点赞数
#字符串.strip（）：完成去空格
#以list形式 加入到pagestories
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()

调用url2.request()，urlopen()，read()：

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')

得到整个页面的内容

正则表达式，调用re.findall():

#返回匹配的所有项目

items = re.findall(pattern,pageCode)

得到所有匹配内容构成的序列items

表达式里的()：使得可以用item[]访问各项中需要的内容

re.sub():替换匹配到的内容

#匹配</br>

replaceBR = re.compile('<br/>')

#替换成换行

text = re.sub(replaceBR,"\n",item[1])

pagestories.append()方法:

pageStories.append([item[0].strip(),text.strip(), item[2].strip()])

加入items各项内容

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()

等待一个回车，程序才能继续下去。

及时释放内存

#将全局list中第一个元素删除，因为已经取出

del self.stories[0]