Python3爬虫实战一之爬取糗事百科段子

参考：静觅 » Python爬虫实战一之爬取糗事百科段子

python3 + requests + csv

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。

4.写入csv文件

# -*- 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