[Python]網路爬蟲（八）：糗事百科的網路爬蟲（v0.3）原始碼及解析(簡化更新)

Q&A：

1.為什麼有段時間顯示糗事百科不可用？

答：前段時間因為糗事百科添加了Header的檢驗，導致無法爬取，需要在程式碼中模擬Header。現在程式碼已經作了修改，可以正常使用。

2.為什麼需要單獨新建個執行緒？

答：基本流程是這樣的：爬蟲在後台新起一個線程，一直爬取兩頁的糗事百科，如果剩餘不足兩頁，則再爬一頁。用戶按下回車只是從庫存中獲取最新的內容，而不是上網獲取，所以瀏覽更順暢。也可以把載入放在主線程，不過這樣會導致爬取過程中等待時間過長的問題。

專案內容：

用Python寫的糗事百科的網路爬蟲。

使用方法：

新建一個Bug.py文件，然後將程式碼複製到裡面後，雙擊運行。

程式功能：

在指令提示列中瀏覽糗事百科。

原理解釋：

首先，先瀏覽一下糗事百科的主頁：http://www.qiushibaike.com/hot/page/1

可以看出來，連結中page/後面的數字就是對應的頁碼，記住這一點為以後的編寫做準備。

然後，右鍵查看頁源碼：

觀察發現，每個段子都用div標記，其中class必為content，title是發文時間，我們只需要用正則表達式將其「扣」出來就可以了。

明白了原理之後，剩下的就是正規表示式的內容了，可以參考這篇部落格文章：

http://blog.csdn.net/wxg694175346/article/details/8929576

🎜🎜🎜🎜🎜🎜效果：🎜🎜🎜🎜

# -*- 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(&#39;<div.*?class="content".*?title="(.*?)">(.*?)</div>&#39;,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 &#39;无法链接糗事百科！&#39;    
            else:    
                time.sleep(1)    
            
    def ShowPage(self,nowPage,page):    
        for items in nowPage:    
            print u&#39;第%d页&#39; % 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&#39;正在加载中请稍候......&#39;    
            
        # 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&#39;请按下回车浏览今日的糗百内容：&#39;    
raw_input(&#39; &#39;)    
myModel = Spider_Model()    
myModel.Start()

🎜以上就是 [Python]網路爬蟲（八）：糗事百科的網路爬蟲（v0.3）源碼及解析(簡化更新)的內容，更多相關內容請關注PHP中文網（www .php.cn）！ 🎜🎜🎜🎜