日志
Python爬虫实战之爬取糗百段子
| |
总结注意点：
1 适当在代码中加入一些print语句，可以提高代码的可调试性。
2 正则表达式的匹配利用了 () 的分组和 .*? 的非贪婪，十分方便。之前看视频学习时学到一个技巧“先抓大再抓小”，到这里反而没分组方便！
3 Python中的逻辑运算符是遵循 “短路逻辑” 的，x or y，如果x为真，那么结果为x，如果x为假，那么结果为y。也就是说值是由决定表达式的值得那个变量。使用时一定要注意！
4 Python的类中的属性（变量）和方法（函数）在类中被使用时要注意添加self。 self是实例对象的唯一标志！
未解决问题（各位路过的Python友，如果有知道答案的，麻烦留言解答一下，谢谢了哈）：
1 如果get_jokes 函数中的正则表达式稍微修改下，不能让其正常匹配，程序运行时则会卡在 items=pattern.findall(items) 这一句。 不知道是什么原因？？
2 每次按空格输出一个段子的信息，某次就会出现 UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\u200e’ in position 的错误。尝试了如下方法：
(1) html = r.content #而不是 r.text。但是这样获得的html是二进制文件，re.findall时会报错！TypeError: can't use a string pattern on a bytes-like object
（2）r.encoding = "utf-8"
html = r.text #查看网页的编码格式是utf-8，于是encoding为 utf-8，使得获取源代码时为 utf-8的编码格式，但是仍然会出现 UnicodeEncodeError 问题
整体代码如下：
/2 
eetop公众号
创芯大讲堂
创芯人才网