参考:静觅 » Python爬虫实战一之爬取糗事百科段子
python3 + requests + csv
4.写入csv文件1.抓取糗事百科热门段子
2.过滤带有图片的段子
3.实现每按一次回车显示一个段子的发布时间,发布人,段子内容,点赞数。
# -*- coding:utf-8 -*-
import re
import time
import requests
import sys,os
import csv
#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/5.0 (Unknown; Linux x86_64) AppleWebKit/538.1 (KHTML, like Gecko) PhantomJS/2.1.1 Safari/538.1'
#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
#打开csv文件,写入
self.fobj = open("qsbk-spider.csv","a",newline="")
self.write_f = csv.writer(self.fobj,)
self.write_f.writerow(["发布者", "内容", "点赞"])
#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
pageinfo = requests.get(url,headers = self.headers)
#将页面转化为UTF-8编码
return pageinfo.text
except requests.exceptions.ConnectionError as e:
print("连接糗事百科失败,错误原因",e)
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 = ('.*?.*?.*?(.*?)
.*?.*?(.*?).*?-->(.*?)(.*?)')
items = re.findall(pattern,pageCode,re.S)
#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:
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[3]是点赞数
pageStories.append([item[0].strip(),text.strip(),item[3].strip()])
print("加载成功,共%d条" % len(pageStories))
if len(pageStories) == 0:
self.enable = False
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) < 1:
#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
aaa_input = 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 aaa_input == "Q":
self.enable = False
return
print("第%d页\t发布人:%s\t赞:%s\n%s" %(page,story[0],story[2],story[1]))
#print(len(pageStories))
#print(len(self.stories))
def write_csv(self,data):
self.write_f.writerows(data)
def close_csv(self):
self.fobj.close()
#开始方法
def start(self):
print("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:
self.loadPage()
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)
self.write_csv(pageStories)
self.close_csv()
spider = QSBK()
spider.start()
$ python3 qsbk-spider.py
正在读取糗事百科,按回车查看新段子,Q退出
加载成功,共21条
第1页 发布人:li一贝 赞:497
小喜鹊兴奋的来到老喜鹊的床前:“爷爷,我成功入选搭鹊桥大队了。而且是在桥中间的位置,可以最近距离见证牛郎织女的伟大爱情!”
老喜鹊低下头:“孩子,听爷爷的话你不能去!”
小喜鹊:“为什么?”
老喜鹊黯然道:“你知道爷爷为何瘫痪在床吗?你知道你爹为何至今昏迷不醒吗?!”
小喜鹊茫然得摇着头。
老喜鹊抬起头满脸都是泪:“牛郎不是人,憋了一年,桥震起来不管不顾,我跟你爹当年就在桥震中心点。”
第1页 发布人:0巭孬嫑昆0 赞:1862
发现一些人,一旦打电话打得乐在其中,就会特别容易手贱。刚刚有个同事在走廊上和女朋友聊天,聊着聊着,摸玻璃,聊着聊着,扣墙皮,聊着聊着,啪嗒一声把墙上的电闸给拨下来了!没保存的同志们全疯啦
第1页 发布人:不帅但很能干的人 赞:855
周末加班,老板娘带着她五岁的儿子来公司,老板娘让我看一下她儿子,为了让小孩不吵闹,我把手机给他玩。
过了一会,老板娘带着几个同事路过,看儿子在玩游戏,就说: 儿子,你又玩这么暴力的游戏!
他儿子指着我说: 这叔叔手机里的电影才暴力呢,叔叔阿姨打着打着,衣服都没了!
我……
Q