python利用urlib2进行简单爬虫实例
2017-11-24 11:40
627 查看
# -*- coding:utf-8 -*- import urllib import urllib2 import re import thread import time ''' 糗事百科爬虫练习 ''' #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') # print pageCode 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 #获得页面的段子内容 pattern = re.compile('<div class="content">.*?<span>(.*?)</span>',re.S) 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: replaceBR = re.compile('<br/>') text = re.sub(replaceBR,"\n",item) #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 pageStories.append(text.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("请按下任意键....") #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" or input == u"Q": self.enable = False return print u"第%d页\n发布内容:\n%s" %(page,story) #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()
如果失败,可以修改一下正则,应该是正则出问题,可以去糗事百科上去看看网页布局
相关文章推荐
- 鱼c笔记——Python爬虫(一):利用urllib进行简单的网页抓取
- python-利用pyaudio进行声音录制及简单实例代码分享
- python_慕课\Python开发简单爬虫\5-3 Python爬虫urlib2实例代码.py
- 利用python实现简单的爬虫,爬百度文库相关词条信息
- python利用装饰器进行运算的实例分析
- python一个简单的爬虫实例
- Python 利用多线程进行爬虫(一)
- 利用元素属性值进行排序的简单实例
- Android简单的利用MediaRecorder进行录音的实例代码
- 利用python进行简单的图片处理
- [Python]利用Python进行网络爬虫
- 【python爬虫】利用selenium和Chrome浏览器进行自动化网页搜索与浏览
- python妹子图简单爬虫实例
- 利用Python的PIL库进行简单的图像处理
- 利用Python进行简单的验证码识别步骤
- 利用 Python 进行数据分析(七)pandas 简单介绍(Series 和 DataFrame)
- Python 网络爬虫--关于简单的模拟登录实例讲解
- Python入门(一):爬虫基本结构&简单实例
- Python---BeautifulSoup 简单的爬虫实例
- 简单Python爬虫实例