Python3抓取糗事百科

import urllib.request
import urllib.parse
import urllib.error
import http.cookiejar
import re

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 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.101 Safari/537.36"
#初始化headers
self.headers = ("User-Agent", self.user_agent)
self.stories = []
self.enable = False
print(self.headers)
self.cj=http.cookiejar.CookieJar()
self.opener=urllib.request.build_opener(urllib.request.HTTPCookieProcessor(self.cj))
self.opener.addheaders=[self.headers,('Cookie','4564564564564564565646540')]
urllib.request.install_opener(self.opener)

def getPage(self,pageIndex) :
try :
url = "http://www.qiushibaike.com/hot/page/"+str(pageIndex)
#构建请求的url
response = urllib.request.urlopen(url)
mybytes = response.read()
mybytes = mybytes.decode("utf8")
return mybytes
except urllib.error.URLError as e:
print("出错了")

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>.*?<div.*?class'+
'="content">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items = re.findall(pattern,pageCode)
pageStories = []
for item in items:
pos = item[1].find("<!--")
#print(pos)
#print(item[1][0:pos])
#print(item[1][pos+4:len(item[1])-5])
content = item[1][0:pos]
timestamp = item[1][pos+4:len(item[1])-5]
author = item[0][item[0].find("/>")+2:len(item[0])]

#print(timestamp)
#print(item[3])
#print(content.strip()+"\n")
#是否含有图片
haveImg = re.search("img",content)
#如果不含有图片，把它加入list中
if not haveImg:
if int(item[3]) > 200 :
#print(author.strip()+",写于"+timestamp+",获得"+item[3]+"点赞")
pageStories.append([author.strip(),timestamp.strip(),content.strip(),int(item[3])])
return pageStories

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

def getOneStory(self,pageStories,page) :
#遍历一页的段子
for story in pageStories:
#等待用户输入
instr = 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 instr == "Q":
self.enable = False
return
print ("第%d页,%s发布于%s,获得%s赞:\n%s" %(page,story[0],story[1],story[3],story[2]))

#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:
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()