Python爬虫学习1--糗事百科
2016-12-13 22:01
555 查看
学习CQC同学的代码
以下是一些学习经验
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。
以下是修改之后的面向对象编程。
调用url2.request(),urlopen(),read():
得到整个页面的内容
正则表达式,调用re.findall():
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
pagestories.append()方法:
加入items各项内容
等待一个回车,程序才能继续下去。
及时释放内存
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]
相关文章推荐
- 补发爬虫第一战,正则匹配
- Python批量截取图片制作训练正样本
- Python源码分析(二) - List对象
- python查看CNN训练模型参数
- RedHat下安装Python3步骤
- python基础之列表的索引
- 邂逅python
- python书籍推介
- python re模块
- Python中的字符串与字符编码
- python json模块
- python os模块
- python random模块
- python time模块
- python string intern
- 搭建或者升级Python环境笔记
- 行为驱动开发在 Python 开发测试中的应用
- py打包成exe
- 开启Python的学习之旅,立贴起航
- python 爬虫数据清洗