[Python]网络爬虫（八）：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 plain copy

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()