2017-3-09 代码如下.
必须加上head否则无法抓取.
# -*- coding:utf-8 -*-
import urllib.request
import urllib.error
import re
import time
page = 1
url = 'http://www.qiushibaike.com/hot/page/' + str(page)
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
count=0
try:
request = urllib.request.Request(url, headers = headers)
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
print(content)
time.sleep(2)
pattern =re.compile('<h2>(.*?)</h2>.*?<div class="content">.*?<span>(.*?)</span>.*?<div class="stats.*?class="number">(.*?)</i>', re.S)
items = re.findall(pattern, content)
for item in items:
print("Author:"+item[0])
print("Content:"+ item[1])
print("favourite:"+ item[2])
print("=====================")
except urllib.error.HTTPError as e:
print(e.code)
except urllib.error.URLError as e:
print(e.reason)
else:
print("Executed!")
尽管核心部分已经完成了,但是还需要将代码更改为面向对象的形式。
import urllib.request
import re
class qsbkClassCrawler:
# 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 = 'http://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(
'<h2>(.*?)</h2>.*?<div class="content">.*?<span>(.*?)</span>.*?<div class="stats.*?class="number">(.*?)</i>',
re.S)
items = re.findall(pattern, pageCode)
pageStories=[]
for item in items:
pageStories.append([item[0].strip(),item[1].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):
# 如果当前的页数少于两页,则加载新的一页
if self.enable == True:
if len(self.stories) < 2:
#获取新的一页
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:
income = input('Please Input')
# 每当输入回车一次,判断一下是否要加载新页面
self.loadPage()
if income == 'Q':
self.enable = False
return
print("第%d页 作者%s 段子内容%s 点赞数%s" % (page,story[0],story[1],story[2]))
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,控制当前读了几页
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)
if __name__ == "__main__":
spider = qsbkClassCrawler()
spider.start()
这是python爬虫的第一个实战,继续努力,小伙伴们共勉