糗事百科小爬虫
这几天看了不少phtyon 的基础,试着做了一个daemo
但不是很成功 不知道家里网络不太好还正则匹配的不好,re.findall 的数据不是特别的稳定,有时候要加载很长间,本来是计划用列表做有个缓存功能存2页,但最后还是没实现。这个还有很BUG 有兴趣的同学可看下
#!/bin/env python
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
#糗事百科爬虫类
pageStories = []
class QSBK:
def __init__(self):
self.pageIndex = 3
self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
self.headers = { 'User-Agent' : self.user_agent }
self.stories = []
self.enable = False
def getPage(self,pageIndex):
try:
url = 'http://www.qiushibaike.com/hot/page/'+str(pageIndex)
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
pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<h2>(.*?)</h2>.*?<div.*?class'+
'="content".*?<span>(.*?)/span>.*?<i.*?class="number">(.*?)</i>.*?<i.*?>(.*?)</i>.*?<div.*?class.*?"main-text">(.*?)<div',
re.S)
try:
items= re.findall(pattern,pageCode)
except IOError, e:
print 'could not open file:', e
#用来存储每页的段子们
#遍历正则表达式匹配的信息
for item in items:
#haveImg = re.search("img",item[3])
#如果不含有图片,把它加入list中
# if not haveImg:
#item[0]是一个段子的发布者,item[1]是发布时间,item[2]是内容,item[4]是点赞数
pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[4].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) < 1:
pageStories = self.getPageItems(self.pageIndex)
if pageStories:
self.stories.append(pageStories)
self.pageIndex +=1
def getOneStory(self,pageStories,page):
for story in pageStories:
input = raw_input()
self.loadPage()
if input == "Q":
self.enable = False
return
print u"第%d页\t" u"作者:%s\n%s\n赞:%s\n神评论%s\n" %(page,story[0],story[1],story[2],story[3])
def start(self):
print u"正在读取糗事百科,按回车查看新段子,Q退出"
self.enable = True
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:
pageStories = self.stories[0]
nowPage += 1
#将全局list中第一个元素删除,因为已经取出\
del self.stories[0]
self.getOneStory(pageStories,nowPage)
else:self.loadPage()
spider = QSBK()
spider.start()
还没有评论,来说两句吧...