Python爬虫-爬取糗事百科段子

主要功能

代码

# -*- coding:utf-8 -*-
    import urllib
    import urllib2
    import re
    
    page = 1
    url = 'http://www.qiushibaike.com/hot/page/' + str(page)
#需要加上headers验证
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = {'User-Agent':user_agent}
try:
    request = urllib2.Request(url,headers = headers)
    response = urllib2.urlopen(request)
#使用utf-8编码方式
    content = response.read().decode('utf-8')
#
.*?href.*?(.*?).*?
    pattern = re.compile('
(.*?)
.*?
(.*?)
.*?(.*?)(.*?)',re.S)
    
#.*?代表任意无限个字符
#(.*?)代表要取得的内容
#re.S 标志代表在匹配时为点任意匹配模式，点 . 也可以代表换行符。
    
#上面的正则翻译过来就是-
(.*?)
,
(.*?)
,(.*?)(.*?)
    
# print content
    
    items = re.findall(pattern,content)
    
    print items
    items = re.findall(pattern, content)
    for item in items:
        print item[0],item [1],item[2],item[3]
        
        
        except urllib2.URLError,e:
        if hasattr(e,"code"):
            print e.code
            if hasattr(e,"reason"):
                print e.reason

结果

/System/Library/Frameworks/Python.framework/Versions/2.7/bin/python2.7 
韩冰凝 

“我在外面，麻烦你把包裹藏在门垫下面”
“放心吧，我已藏好了”

1753  好笑
向阳河 

前段时间刚放暑假的儿子像刚出牢笼的小鸟，兴奋不已。如今，刚刚开学，儿子却高高兴兴一蹦一跳地去上学。问其原因，他说：帮我妈看了一个暑假的水果摊，要多难受有多难受！

2495  好笑

扩展

封装成一个爬取糗事百科段子的类

# -*- 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
        #名字,内容,好笑数量,评论
        #'
.*?href.*?(.*?).*?
(.*?)
.*?(.*?)(.*?)
        pattern = re.compile('
.*?
(.*?)
.*?
(.*?)
.*?'+
                             '.*?(.*?).*?'+
                             '.*?(.*?)',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('
')
            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
            pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[3].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好笑:%s\t评论:%s\n内容:\n%s" %(page,story[0],story[2],story[3],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()

原理：

1. 使用self.stories装入每页的段子数组
2. 首先使用loadPage方法获取第一页的数组放入self.stories中
3. 使用while循环获取self.stories的第一个数组，页数＋1，并删除self.stories的第一个数组
4. getOneStory中有个for循环调用了input = raw_input()，只有当self.stories中的一个数组元素遍历完之后才继续执行while里面的循环