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p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.bitscn.com/article/57150.htm

运行效果:

代码如下:

# -*- coding: utf-8 -*-

import urllib2
import urllib
import re
import thread
import 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”)

# 找出所有的p标记
#re.s是任意匹配模式,也就是.可以匹配换行符
myitems = re.findall(‘(.*?)

‘,unicodepage,re.s)
items = []
for item in myitems:
# item 中第一个是p的标题,也就是时间
# item 中第二个是p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()

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。

Posted in 未分类