python 3 爬糗事百科

python 3 爬糗事百科(来源Python爬虫学习,实战一糗事百科(2017/7/21更新))

关于headers验证

这个headers是用来判断网站访问这是否是通过浏览器访问的。

这里以chrome为例:

在网页任意地方右击选择审查元素或者按下 shift+ctrl+c打开chrome自带的调试工具;

选择network标签,刷新网页(在打开调试工具的情况下刷新);

刷新后在左边查找该网页url(网址),点击

后右边选择headers,就可以看到当前网页的http头了;

我们用的自然是Request Headers

解码

利用2的代码我们可以抓取到网页的代码,但看上去似乎是一堆乱码,这个时候我们只需要将原始的读取稍微转化一下

response.read()变成response.read().decode('utf-8')

现在正则表达式在这里稍作说明

1).*?

是一个固定的搭配,.和代表可以匹配任意无限多个字符,加上?表示使用非贪婪模式进行匹配,也就是我们会尽可能短地做匹配,以后我们还会大量用到 .? 的搭配。

2)(.?)代表一个分组,在这个正则表达式中我们匹配了五个分组,在后面的遍历item中,item[0]就代表第一个(.?)所指代的内容,item[1]就代表第二个(.?)所指代的内容,以此类推。

3)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。

代码

import urllib
import urllib.request
import re
import _thread
import time


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 = 'https://www.qiushibaike.com/hot/page/' + str(pageIndex)
            #构建请求的request
            request = urllib.request.Request(url,headers = self.headers)
            #利用urlopen获取页面代码
            response = urllib.request.urlopen(request)
            #将页面转化为UTF-8编码
            pageCode = response.read().decode('utf-8')
            return pageCode
        except urllib.request.URLError as 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('.*?.*?>(.*?).*?'+
                          '.*?(.*?)(.*?)'+
                         '
(.*?)',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: #是否含有图片 haveImg = re.search("img",item[3]) #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()]) 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 input1 = 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 input1 == "Q": self.enable = False return print(u"第%d页\t发布人:%s\t赞:%s\n%s\n" %(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()

你可能感兴趣的:(python 3 爬糗事百科)