Biegral Blog

爬取思路：爬取http://www.jokeji.cn/，得到一个html页面，分析此html页面，获得分类框里的所有分类的url地址，遍历每一个分类的url，爬取分类url的html网页，分析分类url网页，得到全部笑话网页列表，遍历笑话网页列表url，得到最终的包含一个一个笑话的html页面，获取笑话，存储到mysql数据库。

爬取我用的是Google浏览器，在这个网站下按F12就可以看到网页源代码了，此时要分析这个笑话大全的分类框的结构，以便使用python正则表达式获取到我们想要的信息。

一般筛选内容都会选择目标内容组件的上层容易唯一标识的组件，在这里我选择了<div class=”joketype l_left”>这个html，这个div可以包含所有分类的内容，然后再进行一次筛选就可以把所有url筛选出来了。到了分类子页面我看了一下url的规律，这个分类的url都是/listXX_1.htm开始，发现分类页面里面有个尾页的按钮的url刚好是结束，并且url的.htm前面的那个数字递增，所以就很好爬取所有笑话页面了，至于提取笑话就不再多说了，直接上所有代码。

mysql数据库存储模块代码，文件名为mysql.py。

import pymysql

def insert(joke):
    #获取链接
    conn=pymysql.connect(host='127.0.0.1',user='root',passwd='123456',db='python')
    cur=conn.cursor()
    #sql语句，%s是占位符（%s是唯一的，不论什么数据类型都使用%s）防止sql注入
    sql='insert into joke(joke) VALUES(%s)'
    #params=('eric','wuhan') #参数 插入单条
    #li=[('a1','b1'),('a2','b2')] #批量插入参数
    #reCount=cur.execute(sql,params)
    reCount=cur.executemany(sql,joke) #批量插入
    conn.commit() #提交，执行多条命令只需要commit一次就可以
    cur.close()
    conn.close()

def get_one():
    #获取链接
    conn=pymysql.connect(host='127.0.0.1',user='root',passwd='123456',db='python')
    cur=conn.cursor()
    sql1='select number from number'
    reCount=cur.execute(sql1)
    number=cur.fetchone()[0]+1
    sql2='select joke from joke where id=%s'
    reCount=cur.execute(sql2,number)
    joke=cur.fetchone()[0]
    sql3='update number set number=%s where number=%s'
    params=(number,number-1)
    reCount=cur.execute(sql3,params)
    conn.commit()
    cur.close()
    conn.close()

爬虫代码，文件名为spider.py。

import urllib
from urllib import request
import re
import chardet
import mysql
import time
'''
找到http://www.jokeji.cn/list29_1.htm笑话列表
获取第一个笑话网页http://www.jokeji.cn/jokehtml/bxnn/2018080417455037.htm
遍历完所有笑话网页
获取下一个笑话列表，重复遍历，直至此分类笑话遍历完
遍历下一个分类
遇到不懂的问题？Python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！
'''
class Spider():
    url='http://www.jokeji.cn/jokehtml/bxnn/2018073023294432.htm'
    header = {
        'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Mobile Safari/537.36',
        'Accept-Encoding': '',
      'Referer':'http://www.jokeji.cn/list29_1.htm'
    }
    classifys=[] #list集合，存储笑话分类url

    #获取html文本
    def __fetch_content(self):
        cookie_html = request.Request(Spider.url,headers=Spider.header)
        cookie_html = request.urlopen(cookie_html)
        htmls=cookie_html.read()
        #使用chardet获取到htmls的编码格式
        encoding=chardet.detect(htmls)
        encoding=encoding['encoding']
        #不加ignore的时候总是出现字符转换错误，说明有非法字符，必须加上ignore忽略非法字符
        htmls=htmls.decode(encoding,'ignore')
        time.sleep(0.1)
        return htmls
    
    #获取笑话分类url
    def __analysis_classify(self):
        Spider.url='http://www.jokeji.cn/'
        Spider.header['Referer']='http://www.jokeji.cn/'
        htmls=self.__fetch_content()
        root_pattern='<div class="joketype l_left">([\s\S]*?)</div>'
        classify_pattern='<a href="([\s\S]*?)">'
        root_html=re.findall(root_pattern,htmls)
        Spider.classifys=re.findall(classify_pattern,str(root_html))
        
    #获取当前页面里的所有笑话，返回一个tuple
    def __analysis(self,htmls):
        anchors=[]
        root_pattern='<span id="text110">([\s\S]*?)</span>'
        juck_pattern='<P>\d、([\s\S]*?)</P>'
        root_html=re.findall(root_pattern,htmls)
        for html in root_html:
            jucks=re.findall(juck_pattern,html)
            #替换换行符
            c=re.compile('<[b|B][r|R]\s*/*>')
            for i in jucks:
                i=c.sub('\n',i)
                anchors.append(i)
                #i=i.replace('<BR>','\n')
            return anchors
        return anchors
    #爬取原创笑话
    def __analysis_yuanchuangxiaohua(self,url):
        url='http://www.jokeji.cn'+url
        pass
        
    #爬取分类下的笑话
    def __analysis_joke(self):
        Spider.header['Referer']='http://www.jokeji.cn/'
        root_pattern='<div class="list_title">([\s\S]*?)</div>'
        page_pattern='<a href="([\s\S]*?)"\s*target="_blank"\s*>'
        for classify in Spider.classifys:
            try:
                if '/yuanchuangxiaohua' in classify:
                    self.__analysis_yuanchuangxiaohua(classify)
                classify='http://www.jokeji.cn'+classify
                Spider.url=classify
                htmls=self.__fetch_content()
                #记录分类里面最大页面数           
                max_number=int(re.findall('[\s\S]*?(\d*?)\.htm">尾页</a>',htmls)[0])
                #开始遍历每一大页，一大页包含很多小页面，小页面里面才是笑话
            except BaseException:
                continue
            for bigpage_number in range(1,max_number+1):
                try:
                    bigpage_url=classify
                    temp=re.compile('(\d*).htm')
                    #更改url，因为分类下每一大页都是有规律的，都是.htm前面的数字从1加到最大页面数
                    bigpage_url=temp.sub(str(bigpage_number)+'.htm',bigpage_url)
                    #替换url
                    Spider.url=bigpage_url
                    htmls=self.__fetch_content()
                    root_html=re.findall(root_pattern,htmls)
                    #获取一大页里面的小页面的url地址
                    pages=re.findall(page_pattern,root_html[0])
                    #遍历所有小页面url,获取其中的笑话
                except BaseException:
                    continue
                for page in pages:
                    try:
                        Spider.url='http://www.jokeji.cn'+page
                        htmls=self.__fetch_content()
                        tuples=self.__analysis(htmls)
                        #插入到数据库
                        mysql.insert(tuples)
                    except BaseException:
                        continue


    def go(self):
        self.__analysis_classify()
        self.__analysis_joke()

spider=Spider()
spider.go()