[Python]网络爬虫(八):糗事百科的网络爬虫(v0.2)源码及解析

转载 2014年04月18日 21:08:20

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:




[python] view plaincopy在CODE上查看代码片派生到我的代码片
  1. # -*- coding: utf-8 -*-  
  2. #---------------------------------------  
  3. #   程序:糗百爬虫  
  4. #   版本:0.2  
  5. #   作者:why  
  6. #   日期:2013-05-15  
  7. #   语言:Python 2.7  
  8. #   操作:输入quit退出阅读糗事百科  
  9. #   功能:按下回车依次浏览今日的糗百热点  
  10. #   更新:解决了命令提示行下乱码的问题  
  11. #---------------------------------------  
  12.    
  13. import urllib2  
  14. import urllib  
  15. import re  
  16. import thread  
  17. import time  
  18.   
  19. #----------- 处理页面上的各种标签 -----------  
  20. class HTML_Tool:  
  21.     # 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  
  22.     BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")  
  23.       
  24.     # 用非 贪婪模式 匹配 任意<>标签  
  25.     EndCharToNoneRex = re.compile("<.*?>")  
  26.   
  27.     # 用非 贪婪模式 匹配 任意<p>标签  
  28.     BgnPartRex = re.compile("<p.*?>")  
  29.     CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")  
  30.     CharToNextTabRex = re.compile("<td>")  
  31.   
  32.     # 将一些html的符号实体转变为原始符号  
  33.     replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]  
  34.       
  35.     def Replace_Char(self,x):  
  36.         x = self.BgnCharToNoneRex.sub("",x)  
  37.         x = self.BgnPartRex.sub("\n    ",x)  
  38.         x = self.CharToNewLineRex.sub("\n",x)  
  39.         x = self.CharToNextTabRex.sub("\t",x)  
  40.         x = self.EndCharToNoneRex.sub("",x)  
  41.   
  42.         for t in self.replaceTab:  
  43.             x = x.replace(t[0],t[1])  
  44.         return x  
  45. #----------- 处理页面上的各种标签 -----------  
  46.   
  47.   
  48. #----------- 加载处理糗事百科 -----------  
  49. class HTML_Model:  
  50.       
  51.     def __init__(self):  
  52.         self.page = 1  
  53.         self.pages = []  
  54.         self.myTool = HTML_Tool()  
  55.         self.enable = False  
  56.   
  57.     # 将所有的段子都扣出来,添加到列表中并且返回列表  
  58.     def GetPage(self,page):  
  59.         myUrl = "http://m.qiushibaike.com/hot/page/" + page  
  60.         myResponse  = urllib2.urlopen(myUrl)  
  61.         myPage = myResponse.read()  
  62.         #encode的作用是将unicode编码转换成其他编码的字符串  
  63.         #decode的作用是将其他编码的字符串转换成unicode编码  
  64.         unicodePage = myPage.decode("utf-8")  
  65.   
  66.         # 找出所有class="content"的div标记  
  67.         #re.S是任意匹配模式,也就是.可以匹配换行符  
  68.         myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)  
  69.         items = []  
  70.         for item in myItems:  
  71.             # item 中第一个是div的标题,也就是时间  
  72.             # item 中第二个是div的内容,也就是内容  
  73.             items.append([item[0].replace("\n",""),item[1].replace("\n","")])  
  74.         return items  
  75.   
  76.     # 用于加载新的段子  
  77.     def LoadPage(self):  
  78.         # 如果用户未输入quit则一直运行  
  79.         while self.enable:  
  80.             # 如果pages数组中的内容小于2个  
  81.             if len(self.pages) < 2:  
  82.                 try:  
  83.                     # 获取新的页面中的段子们  
  84.                     myPage = self.GetPage(str(self.page))  
  85.                     self.page += 1  
  86.                     self.pages.append(myPage)  
  87.                 except:  
  88.                     print '无法链接糗事百科!'  
  89.             else:  
  90.                 time.sleep(1)  
  91.           
  92.     def ShowPage(self,q,page):  
  93.         for items in q:  
  94.             print u'第%d页' % page , items[0]  
  95.             print self.myTool.Replace_Char(items[1])  
  96.             myInput = raw_input()  
  97.             if myInput == "quit":  
  98.                 self.enable = False  
  99.                 break  
  100.           
  101.     def Start(self):  
  102.         self.enable = True  
  103.         page = self.page  
  104.   
  105.         print u'正在加载中请稍候......'  
  106.           
  107.         # 新建一个线程在后台加载段子并存储  
  108.         thread.start_new_thread(self.LoadPage,())  
  109.           
  110.         #----------- 加载处理糗事百科 -----------  
  111.         while self.enable:  
  112.             # 如果self的page数组中存有元素  
  113.             if self.pages:  
  114.                 nowPage = self.pages[0]  
  115.                 del self.pages[0]  
  116.                 self.ShowPage(nowPage,page)  
  117.                 page += 1  
  118.   
  119.   
  120. #----------- 程序的入口处 -----------  
  121. print u""" 
  122. --------------------------------------- 
  123.    程序:糗百爬虫 
  124.    版本:0.1 
  125.    作者:why 
  126.    日期:2013-05-15 
  127.    语言:Python 2.7 
  128.    操作:输入quit退出阅读糗事百科 
  129.    功能:按下回车依次浏览今日的糗百热点 
  130. --------------------------------------- 
  131. """  
  132.   
  133.   
  134. print u'请按下回车浏览今日的糗百内容:'  
  135. raw_input(' ')  
  136. myModel = HTML_Model()  
  137. myModel.Start()  

相关文章推荐

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。 原理解释: 首...

[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...

[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)

转载自http://blog.csdn.net/wxg694175346/article/list/1   [Python]网络爬虫(八):糗事百科的网络爬虫(v0.3)源码及...

python网络爬虫入门(一)——糗事百科热门帖

一行正则抓取糗事百科热门评论

Python网络爬虫抓取糗事百科

网络爬虫(又被称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动的抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁,自动索引,模拟程序或者蠕虫。 由于我经常看糗百,所以我突然想写个抓...
  • YSnowP
  • YSnowP
  • 2014年07月07日 14:35
  • 618

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...

Android实战——jsoup实现网络爬虫,糗事百科项目的起步

Android实战——jsoup实现网络爬虫,爬糗事百科主界面 原创作者:http://blog.csdn.net/qq_30379689/article/details/55005796#b ...

Android实战——jsoup实现网络爬虫,糗事百科项目的起步

Android实战——jsoup实现网络爬虫,爬糗事百科主界面 本篇文章包括以下内容: 前言 jsoup的简介 jsoup的配置 jsoup的使用 结语 前言...

[Android] - Jsoup实现网络爬虫,获取糗事百科数据

目录目录 前言 Jsoup配置 Jsoup使用前言本文是在看了鸿洋大神微信公众号里的文章后,结合自己的实践写下的一些心得,所以会有很多相同的地方,请别介意仅当做笔记使用。Jsoup的简介什么的就不介绍...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:[Python]网络爬虫(八):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)