零基础写python爬虫之抓取糗事百科代码分享

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，可以参照这篇文章：
http://www.gaodaima.com/article/57150.htm

运行效果：

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

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。

喜欢 (0)赏

[搞代码]

分享 (0)