Python 爬虫糗事百科（改）

最新推荐文章于 2025-12-05 17:02:52 发布

原创最新推荐文章于 2025-12-05 17:02:52 发布 · 288 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #爬虫 #正则表达式

python 专栏收录该内容

6 篇文章

订阅专栏

本文介绍了一个使用Python实现的糗事百科爬虫程序。该爬虫能够抓取糗事百科网站上的热门段子，并通过正则表达式解析网页内容。用户可以通过简单的交互操作来阅读抓取到的段子。

出问题主要是正则表达式的修改

# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time

#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 (X11; Linux x86_64)'
    #初始化headers
    self.headers={'User-Agent' : self.user_agent}
    #存放变量，每一个元素是每一页的段子
    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='http://www.qiushibaike.com/hot/page/'+str(pageIndex)
        #构建请求的request
        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，获得段子内容
    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 clearfix">.*?href.*?<img src.*?title=.*?<h2>(.*?)</h2>.*?<div class="content">.*?<span>(.*?)</span>.*?</div>.*?<i class="number">(.*?)</i>',re.S)
        items = re.findall(pattern,pageCode)
    #用来存储每页的段子
    pageStories=[]
    for item in items:
        #将<br/>编译成对象，加快匹配速度
        replaceBR=re.compile('<br/>')
        #把<br/>替换成换行
        text = re.sub(replaceBR,"\n",item[1])
        #item[0]是一个段子的发布者，item[1]是内容,item[2]是点赞数
        pageStories.append([item[0].strip(),text.strip(),item[2].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
            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
            print u"第%d页\t发布人:%s\t赞:%s\n%s" %(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()