python爬虫学习之路（3）_ 糗百故事爬取（改）

本人初学，教程出处：http://cuiqingcai.com/990.html

原文中的内容相当精辟，我就不再总结了（显得有点多余）！原文代码有些旧，自己改了一下，更新了一些

主要思路：

                 1.不断获取页面信息，解析页面代码

                 2.优先使用正则匹配出每条内容都具备的信息以及特殊代码（例如有图片的内容、神评论）

                 3.匹配特殊代码，打印不同信息

# encoding:utf-8
import urllib
import urllib2
import re
import thread
import time

class QSBK:
def __init__(self):
self.pageIndex = 1
self.user_agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:49.0) Gecko/20100101 Firefox/49.0'
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)
response =  urllib2.urlopen(request)
pageCode = response.read().decode('utf-8')
return pageCode

except urllib2.URLError,e:
if hasattr(e,'reason'):
print('糗事百科连接失败，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.*?author clearfix">.*?<h2>(.*?)</h2>.*?'
+ '<a.*?contentHerf.*?<span>(.*?)</span>(.*?)'
+ 'class="stats-vote"><i class="number">(.*?)</i>.*?'
+ '<span.*?stats-comments.*?<i class="number">(.*?)</i>.*?'
+ 'single-clear(.*?)qiushi_tag', re.S)

'''
#发布者                    0
#内容                      1
#可能包含图片的代码块       2*
#好笑                      3
#评论数                    4
#可能包含神评的代码块       5*
'''

items = re.findall(pattern, pageCode)
# 用来存储每页的段子们
pageStories = []

# 匹配图片
pat0 = re.compile('<div class="thumb"', re.S)

# 遍历正则表达式匹配的信息
for item in items:
# 是否含有图片
haveImg = re.findall(pat0, item[2])
# 如果不含有图片，把它加入list中
if len(haveImg) < 1:
# 发布者、内容、好笑、评论、(神评者、神评)
pageStories.append([item[0],item[1],item[3],item[4],item[5]])
return pageStories

def loadPage(self):
if self.enable == True:
if len(self.stories) < 2:
pageStories = self.getPageItems(self.pageIndex)
if pageStories:
self.stories.append(pageStories)
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):
pat = re.compile('indexGodCmt', re.S)
godcname = re.compile('cmt-name">(.*?)</span>', re.S)
godccontent = re.compile('main-text">(.*?)</div>', re.S)
# 遍历一页的段子
for story in pageStories:
# 等待用户输入
input = raw_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 input == "Q":
self.enable = False
return

# 对代码块5 进行解析，判断是否包含神评部分
godComment = re.findall(pat, story[4])
if len(godComment)<1 :
print u"第%d页\t发布人:%s\t\t好笑:%s\t评论数:%s\n%s\n" % (page, story[0], story[2],story[3], story[1] )
else:
cname = re.findall(godcname, story[4])
ccontent = re.findall(godccontent, story[4])
print u"第%d页\t发布人:%s\t\t好笑:%s\t评论数:%s\n%s\n(神评)%s%s\n" % (page, story[0], story[2], story[3], story[1].replace("<br/>","\n"), cname[0], ccontent[0])

def start(self):
print u'正在读取糗事百科，按回车查看新段子，按Q退出'
# 使变量为true，可以正常执行程序
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+1
nowPage += 1
# 将全局list中的第一个元素删除，上文中已经取出
del self.stories[0]
# 跳出该页的段子
self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()

运行效果截图：