Python 一个爬虫的案例

比眉伴天荒 2022-06-02 07:51 216阅读 0赞

#coding=utf-8
    import urllib2
    import re
    
    class Spider:
        """
            内涵段子爬虫类
        """
        def __init__(self, page, enable):
            self.page = page
            self.enable = enable
    
        def loadPage(self, page):
            url = 'http://www.neihan8.com/article/list_5_' + str(page) + '.html'
            #User-Agent头
            user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0'
    
            headers = {'User-Agent': user_agent}
            req = urllib2.Request(url, headers = headers)
            response = urllib2.urlopen(req)
            html = response.read()
            gbk_html = html.decode('gbk').encode('utf-8')
    
            # 找到所有的段子内容<div class = "f18 mb20"></div>
            # re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配
            # 如果加上re.S 则是将所有的字符串将一个整体进行匹配
            pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', re.S)
            item_list = pattern.findall(gbk_html)
    
            print item_list
    
            return item_list
    
        def printOnePage(self, item_list, page):
            """
                @brief 处理得到的段子列表
                @param item_list 得到的段子列表
                @param page 处理第几页
            """
    
            print "******* 第 %d 页 爬取完毕...*******" % page
            for item in item_list:
                print "================"
                item = item.replace("<p>", "").replace("</p>", "").replace("<br />", "")
                print item
                self.writeToFile(item)
    
        def writeToFile(self, text):
            '''
                @brief 将数据追加写进文件中
                @param text 文件内容
            '''
    
            myFile = open("./duanzi.txt", 'a')  # 追加形式打开文件
            myFile.write(text)
            myFile.write("-----------------------------------------------------")
            myFile.close()
    
        def doWork(self):
            '''
                让爬虫开始工作
            '''
    
            while self.enable:
                try:
                    item_list = self.loadPage(self.page)
                except urllib2.URLError, e:
                    print e.reason
                    continue
    
                # 对得到的段子item_list处理
                self.printOnePage(item_list, self.page)
                self.page += 1  # 此页处理完毕，处理下一页
                print "按回车继续..."
                print "输入 quit 退出"
                command = raw_input()
                if (command == "quit"):
                    self.enable = False
                    break
    
    if __name__ == '__main__':
        """
            ======================
                内涵段子小爬虫
            ======================
        """
    
        print '请按下回车开始'
        raw_input()
    
        #定义一个Spider对象
        mySpider = Spider(1, True)
        mySpider.doWork()