Python 爬虫学习 糗事百科 纯属敦促自己学习

       今天在 http://python.jobbole.com/81351/  学习了Python爬虫的相关知识，试着爬取糗事百科 http://www.qiushibaike.com/hot/ 的内容，感谢作者的无私分享。

       貌似由于现在网址结构有所变化，所以提供的代码的正则表达式匹配部分不能良好运行了。遂根据今天所学的知识进行了些许修改。使用 Beautiful Soup 来进行段子抓取。期间也遇到了一些问题，比如文本中有<br>则不能成功抓取，后利用.get_text("|", strip=True)解决并消除了空白行。

运行结果：

正在读取糗事百科,按回车查看新段子，Q退出

 author: 大湿的乳来伸掌  
 story: 他会赶走你身边的邪恶，抓走你身边的小人，要想远离小人的，赶紧左下！！！

 author: 小小懒蓝兔子  
 story: 高手出民间

 author: 范冰冰的娇喘助理  
 story: 前几天去旅游，在大巴上后面坐着一个男的和一个女的，女的把头靠在男的肩膀上秀恩爱。其实我还感觉挺温馨。过了一会那男的说我两合个影吧。那女的说别用我手机，我怕我老公看见。这么一句让我刚喝的一口水给喷了出来！

修改后的具体代码如下：

# -*- coding: UTF-8 -*-
__author__ = 'CQC'

import urllib2
from bs4 import BeautifulSoup

# 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 6.1; WOW64; rv:46.0) Gecko/20100101 Firefox/46.0'
        # 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 = 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，返回本页不带图片的段子列表
    def getPageItems(self, pageIndex):
        pageCode = self.getPage(pageIndex)
        pageStories = []
        pageAuthors = []
        if not pageCode:
            print "页面加载失败...."
            return None
        soup = BeautifulSoup(pageCode, 'lxml')
        contents = soup.findAll(attrs={"class": "content"})
        authors = soup.findAll(attrs={"class": "author clearfix"})
        for author in authors:
            pageAuthors.append(author.get_text("|", strip=True))
        for content in contents:
            pageStories.append(content.get_text("|", strip=True))
        return zip(pageStories, pageAuthors)


    # 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
                pageStoriesAndAuthors = self.getPageItems(self.pageIndex)
                # 将该页的段子存放到全局list中
                if pageStoriesAndAuthors:
                    self.stories.append(pageStoriesAndAuthors)
                    # 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, pageStoriesAndAuthors, page):
        # 遍历一页的段子

        for story, author in pageStoriesAndAuthors:
            # 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' author: %s  \n story: %s' % (author, story)

    # 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()