【python】抄写大神的糗事百科代码

照着静觅大神的博客学习，原文在这：http://cuiqingcai.com/990.html

划重点：

1. str.strip() strip函数会把字符串的前后多余的空白字符去掉

2. response.read().decode('utf-8','ignore')  要加'ignore'忽略非法字符，不然总是报解码错误

3. python 3.x 中  raw_input 改成 input 了

4. 代码最好用notepad++先写 格式清晰一点 容易发现错 尤其是缩进和中文标点的错误

5. .*? 常用组合， 后面的?表示非贪婪模式

用python3.4.3实现的糗百爬虫代码如下（就是照着大神的抄的，把2.x的部分给改了而已）：

import urllib.request
import urllib.parse
import re
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 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.93 Safari/537.36'
        self.headers = {'User-Agent' : self.user_agent}
        #存放段子的变量，每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)
            request = urllib.request.Request(url, headers = self.headers)
            response = urllib.request.urlopen(request)
            pageCode = response.read().decode('utf-8','ignore') #这个ignore忽略非法字符 一定要加 不然总报解码错误
            return pageCode
        except urllib.error.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，返回本页不断图片的段子列表
    def getPageItems(self, pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print(u"页面加载失败....")
            return None
        pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
        'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>', re.S)
        items = re.findall(pattern, pageCode)
        #用来存储每页的段子
        pageStories = []
        for item in items:
            haveImg = re.search("img", item[3])
            if not haveImg:
                replaceBR = re.compile('<br/>')
                text = re.sub(replaceBR, "\n", item[1])
                pageStories.append([item[0].strip(), text.strip(),item[4].strip()]) #.strip（） 用来删除空白符
        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)
                    #页码加1，下次读取下一页
                    self.pageIndex += 1
    #每次敲回车打印一个段子
    def getOneStory(self,pageStories,page):
        #遍历一页的段子
        for story in pageStories:
            #等待用户输入
            input_v = 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_v == "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2了第几页
        nowPage = 0
        while self.enable:
            if len(self.stories) > 0:
                #从全局list中获取一页段子
                pageStories = self.stories[0]
                #当前读到的页数加1
                nowPage += 1
                #删除已经取出的元素
                del self.stories[0]
                #输出该页的段子
                self.getOneStory(pageStories,nowPage)

spider = QSBK()
spider.start()