糗事百科的网络爬虫(v0.2)源码及解析 .

转载 2013年11月13日 14:59:12

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.csdn.net/wxg694175346/article/details/8929576


运行效果




 
# -*- coding: utf-8 -*-
#---------------------------------------
#   程序:糗百爬虫
#   版本:0.2
#   作者:why
#   日期:2013-05-15
#   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
#   更新:解决了命令提示行下乱码的问题
#---------------------------------------
 
import urllib2
import urllib
import re
import thread
import time

#----------- 处理页面上的各种标签 -----------
class HTML_Tool:
    # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片
    BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")
    
    # 用非 贪婪模式 匹配 任意<>标签
    EndCharToNoneRex = re.compile("<.*?>")

    # 用非 贪婪模式 匹配 任意<p>标签
    BgnPartRex = re.compile("<p.*?>")
    CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
    CharToNextTabRex = re.compile("<td>")

    # 将一些html的符号实体转变为原始符号
    replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]
    
    def Replace_Char(self,x):
        x = self.BgnCharToNoneRex.sub("",x)
        x = self.BgnPartRex.sub("\n    ",x)
        x = self.CharToNewLineRex.sub("\n",x)
        x = self.CharToNextTabRex.sub("\t",x)
        x = self.EndCharToNoneRex.sub("",x)

        for t in self.replaceTab:
            x = x.replace(t[0],t[1])
        return x
#----------- 处理页面上的各种标签 -----------


#----------- 加载处理糗事百科 -----------
class HTML_Model:
    
    def __init__(self):
        self.page = 1
        self.pages = []
        self.myTool = HTML_Tool()
        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
        myResponse  = urllib2.urlopen(myUrl)
        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,q,page):
        for items in q:
            print u'第%d页' % page , items[0]
            print self.myTool.Replace_Char(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:0.1
   作者:why
   日期:2013-05-15
   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 = HTML_Model()
myModel.Start()

[Python]网络爬虫:糗事百科的网络爬虫(v0.2)源码及解析

源码下载: http://download.csdn.net/detail/wxg694175346/6925583 项目内容: 用Python写的糗事百科的网络爬虫。 使用方法: 新建一...
  • hlglinglong
  • hlglinglong
  • 2014年02月18日 10:49
  • 787

[Python]网络爬虫(八):糗事百科的网络爬虫(v0.2)源码及解析

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。 ...
  • oMingZi12345678
  • oMingZi12345678
  • 2013年08月19日 16:49
  • 1433

糗事百科的网络爬虫

最近看完《python基础教程》后,想学下数据分析和爬虫。找了一些简单的爬虫练练手。 参考了Python爬虫实战一之爬取糗事百科段子,因为糗事百科代码改版了,我修改了Re后基本实现,然后用bs4改为...
  • StephenFengz
  • StephenFengz
  • 2016年07月31日 19:35
  • 742

用urllib、BeautifulSoup抓取糗事百科段子

python版本为: chao@chao-machine:~/python_study$ python Python 3.4.3 (default, May 31 2015, 17:07:22) [...
  • shimachao
  • shimachao
  • 2015年07月24日 18:13
  • 1794

[Python]糗事百科的网络爬虫(v0.4)源码

本文是基于[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)修改而来,可以正常抓取嗅事百科上的内容#!/usr/bin/env python # -*- coding...
  • zilaiye1314
  • zilaiye1314
  • 2017年06月16日 17:39
  • 72

[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)

转自:http://blog.csdn.net/pleasecallmewhy/article/details/8932310 Q&A: 1.为什么有段时间显示糗事百科不可用? 答:...
  • z1137730824
  • z1137730824
  • 2014年12月30日 14:51
  • 503

网络爬虫全解析(JAVA)--目录

第1章技术基础1 1.1第一个程序1 1.2准备开发环境2 1.2.1JDK2 1.2.2Eclipse3 1.3类和对象4 1.4常量5 1.5命名规范6 1.6基本语法6 1.7条件判断7 1...
  • u012693119
  • u012693119
  • 2017年06月23日 14:35
  • 1322

分享一个高仿糗事百科APP的安卓源码 +服务端和数据库

一个Android高仿糗事百科全套源码;本源码是一个全套的高仿糗事百科的安卓源码,包括安卓客户端的项目源码、php服务端、mysql数据库,项目内容直接联网获取的服务端内容填充列表,本项目实现了糗事展...
  • mianfei007
  • mianfei007
  • 2016年06月21日 08:57
  • 996

【网络爬虫】爬取糗事百科段子

1、前言 自动爬取糗事百科段子,使用Python编写。 输出文件路径需根据实际自己修改哦,默认的是输出100条段子,终止条件可以自己设置。 另糗事百科可能会改版,如有问题,欢迎留言,或者自行更改正则表...
  • u010043538
  • u010043538
  • 2016年05月15日 01:14
  • 567

[Python]网络爬虫:百度贴吧的网络爬虫(v0.4)源码及解析

百度贴吧的爬虫制作和糗百的爬虫制作原理基本相同,都是通过查看源码扣出关键数据,然后将其存储到本地txt文件。 源码下载: http://download.csdn.net/deta...
  • hlglinglong
  • hlglinglong
  • 2014年02月18日 10:50
  • 841
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:糗事百科的网络爬虫(v0.2)源码及解析 .
举报原因:
原因补充:

(最多只允许输入30个字)