python爬蟲學習(1)-抓取糗事百科笑話

最近在學習python的爬蟲，參照了http://cuiqingcai.com/990.html的內容，寫了一個爬蟲，抓取流程：傳入引數起始url和輸出檔名稱，使用urllib2對頁面進行抓取，每次抓取一個頁面，迴圈抓取，直到最後一頁。使用正規表示式對抓取到的頁面內容進行提取，並儲存到檔案中。程式如下：

# -*- coding: utf-8
import urllib2
import urllib
import re,os
import time
class Joke:
#初始化資料
def __init__(self,start_url,out_put_file):
self.start_url = start_url
self.out_put_file = out_put_file
self.page = 2
self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
self.headers = { 'User-Agent' : self.user_agent }

#獲取頁面內容的方法
def get_cotent(self,page):
try:
url = self.start_url + str(page) + '/?s=4955352'
request = urllib2.Request(url,headers=self.headers)
response = urllib2.urlopen(request)
act_url = response.geturl()
print 'init url=',url,'act url=',act_url
if url == act_url:
content = response.read()
return content
else:
return None
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"連線糗事百科失敗,錯誤原因",e.reason
return None

#傳入頁面程式碼，返回笑話內容
def get_joke(self,page):
joke_content = self.get_cotent(page)
str = ''
if not joke_content:
print "抓取完畢"
return None
pattern = re.compile('<div class="author clearfix">.*?<h2>(.*?)</h2>.*?'
+'<div class="content">.*?<span>(.*?)',re.S)
items = re.findall(pattern,joke_content)
for item in items:
str = str + '釋出人:' + item[0] + '\n' + '釋出內容:' + '\n' + item[1] + '\n'+ '\n'
return str

#講抓取到的笑話儲存到檔案的方法
def writeStr2File(self,out_put_file,str1,append = 'a'):
# 去掉檔案，保留路徑。比如 'a/b/c/d.txt' 經過下面程式碼會變成 'a/b/c'
subPath = out_put_file[:out_put_file.rfind('/')]
# 如果給定的路徑中，資料夾不存在，則建立
if not os.path.exists(subPath):
os.makedirs(subPath)
# 開啟檔案並將 str 內容寫入給定的檔案
with open(out_put_file, append) as f:
f.write(str1.strip()+'\n')

#開始抓取頁面內容，每次抓取一個頁面，直到抓取完畢所有頁面
def start_crawl(self):
while True:
joke_str = self.get_joke(self.page)
if not joke_str:
break
time.sleep(1)
#print(joke_str)
self.writeStr2File(self.out_put_file,joke_str)
self.page+=1

spider = Joke('http://www.qiushibaike.com/hot/page/','d:/python/test/out.txt')
spider.start_crawl()

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/10972173/viewspace-2133368/，如需轉載，請註明出處，否則將追究法律責任。

python爬蟲學習(1)-抓取糗事百科笑話

相關文章