在pycharm 下学习 “糗事百科爬虫” 实验 为什么一直不出结果

[yplhy]

C:\Python27\python.exe C:/Users/yplhy/PycharmProjects/untitled/test4.py
正在读取糗事百科，按回车查看新段子，Q退出

“”“”“”“”一直在这个界面，并且按回车或者Q都没效果******

代码如下：
#-*- coding:utf-8 -*-

import urllib
import urllib2
import re
import thread
import time

###糗事百科爬虫类

class QSBK(object):
####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压面代码
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
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

##传入某一页面代码，返回本页面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('<div.*?class=author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class'+
'="content".*?title="(.*?)">(.*?)</div>(.*?)<div class=stats.*?class="number">(.*?)</i>',re.S )
items = re.findall(pattern,pageCode)
##用来存储每页的段子们
pageStories = []
##遍历正则表达式匹配信息
for item in items:
haveImg = re.search("img",item[3])
if not haveImg:
pageStories.append([item[0].strip(),item[2].strip(),item[4].strip()])
return pageStories

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:
pageStories = self.getPageItems(self.pageIndex)
##将该页面的段子存放到全局list中
if pageStories:
self.stories.append(pageStories)
##获取完成之后页码索引加一，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,pageStories,page):
for story in pageStories:
input = raw_input()
self.loadPage()
if input == "Q":
self.enable = False
return
print u"第%d页\t发布人：%s\t 发布时间 ：%s\n%s\n 赞：%s\n " % (page,story[0],story[1],story[2],story[3])

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()
nowPage = 0
while self.enable:
if len(self.stories)>0:
pageStories = self.stories[0]
nowPage += 1
##将全局list中第一个元素删除，因为已经取出
del self.stories[0]
##输出该页段子
self.getOneStory(pageStories,nowPage)
spider = QSBK()
spider.start()

[屎克螂]

试玩了下你的脚本，到处都是错，先学点简单的 再玩难点的，好好学习

[yplhy]

谢谢你的指教，但是我不知道哪里出错了啊 我在pycharm中运行是没有报错的。

[PrayLife]

有问题啊，先断点调试一下

[INeddy]

我把http://www.qiushibaike.com复制到浏览器都打不开，你先试试能访问到么？就是你们这些玩爬虫的太多，我大糗百才挂了！

[qq_34538365]

最近我也在学些这个，请问楼主解决这个问题了吗

[CaiNiaoWuZui]

我用的是python3，试了以下，原正则表达式失效，改为pattern=re.compile('<div class="content">\s+<span>\s+(.*?)\s+</span>',re.S) import requests import re pageIndex=1 url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex) headers={'User-Agent':'Mozilla/4.0 (compatible;MSIE 5.5;Windows NT)'} r=requests.get(url,headers=headers) pattern=re.compile('<div class="content">\s+<span>\s+(.*?)\s+</span>',re.S) re.findall(pattern,r.text) 即可显示内容。 说明一下，这种爬取网页，提取内容的方式很容易失效的，因为网页可以会调整，因此在学习过程中，发现原代码无法提取内容，请自行修改提取方式。