[Python]网络爬虫（八）：糗事百科的网络爬虫（v0.3）源码及解析(简化更新)

Q&A：

1.为什么有段时间显示糗事百科不可用？

答：前段时间因为糗事百科添加了Header的检验，导致无法爬取，需要在代码中模拟Header。现在代码已经作了修改，可以正常使用。

2.为什么需要单独新建个线程？

答：基本流程是这样的：爬虫在后台新起一个线程，一直爬取两页的糗事百科，如果剩余不足两页，则再爬一页。用户按下回车只是从库存中获取最新的内容，而不是上网获取，所以浏览更顺畅。也可以把加载放在主线程，不过这样会导致爬取过程中等待时间过长的问题。

项目内容：

用Python写的糗事百科的网络爬虫。

使用方法：

新建一个Bug.py文件，然后将代码复制到里面后，双击运行。

程序功能：

在命令提示行中浏览糗事百科。

原理解释：

首先，先浏览一下糗事百科的主页：http://www.qiushibaike.com/hot/page/1

可以看出来，链接中page/后面的数字就是对应的页码，记住这一点为以后的编写做准备。

然后，右击查看页面源码：

观察发现，每一个段子都用div标记，其中class必为content，title是发帖时间，我们只需要用正则表达式将其“扣”出来就可以了。

明白了原理之后，剩下的就是正则表达式的内容了，可以参照这篇博文：

http://blog.gaodaima.com/wxg694175346/article/details/8929576

运行效果：

# -*- coding: utf-8 -*-         import urllib2    import urllib    import re    import thread    i<span>本文来源gaodai#ma#com搞*代#码9网#</span>mport time          #----------- 加载处理糗事百科 -----------    class Spider_Model:                def __init__(self):            self.page = 1            self.pages = []            self.enable = False            # 将所有的段子都扣出来，添加到列表中并且返回列表        def GetPage(self,page):            myUrl = "http://m.qiushibaike.com/hot/page/" + page            user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'           headers = { 'User-Agent' : user_agent }           req = urllib2.Request(myUrl, headers = headers)           myResponse = urllib2.urlopen(req)          myPage = myResponse.read()            #encode的作用是将unicode编码转换成其他编码的字符串            #decode的作用是将其他编码的字符串转换成unicode编码            unicodePage = myPage.decode("utf-8")                # 找出所有class="content"的div标记            #re.S是任意匹配模式，也就是.可以匹配换行符            myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)            items = []            for item in myItems:                # item 中第一个是div的标题，也就是时间                # item 中第二个是div的内容，也就是内容                items.append([item[0].replace("\n",""),item[1].replace("\n","")])            return items            # 用于加载新的段子        def LoadPage(self):            # 如果用户未输入quit则一直运行            while self.enable:                # 如果pages数组中的内容小于2个                if len(self.pages) < 2:                    try:                        # 获取新的页面中的段子们                        myPage = self.GetPage(str(self.page))                        self.page += 1                        self.pages.append(myPage)                    except:                        print '无法链接糗事百科！'                else:                    time.sleep(1)                    def ShowPage(self,nowPage,page):            for items in nowPage:                print u'第%d页' % page , items[0]  , items[1]                myInput = raw_input()                if myInput == "quit":                    self.enable = False                    break                    def Start(self):            self.enable = True            page = self.page                print u'正在加载中请稍候......'                        # 新建一个线程在后台加载段子并存储            thread.start_new_thread(self.LoadPage,())                        #----------- 加载处理糗事百科 -----------            while self.enable:                # 如果self的page数组中存有元素                if self.pages:                    nowPage = self.pages[0]                    del self.pages[0]                    self.ShowPage(nowPage,page)                    page += 1            #----------- 程序的入口处 -----------    print u"""  ---------------------------------------     程序：糗百爬虫     版本：0.3     作者：why     日期：2014-06-03     语言：Python 2.7     操作：输入quit退出阅读糗事百科     功能：按下回车依次浏览今日的糗百热点  ---------------------------------------  """          print u'请按下回车浏览今日的糗百内容：'    raw_input(' ')    myModel = Spider_Model()    myModel.Start()

以上就是 [Python]网络爬虫（八）：糗事百科的网络爬虫（v0.3）源码及解析(简化更新)的内容，更多相关内容请关注搞代码（www.gaodaima.com）！

喜欢 (0)赏

[搞代码]

分享 (0)