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
http://blog.csdn.net/pleasecallmewhy/article/details/8932310
#!/usr/bin/env python
# -*- 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
self.total = 0
# 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 = "https://www.qiushibaike.com/8hr/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
re_div = r'<div class="content">(.*?)</div>'
m_div = re.findall(re_div, unicodePage, re.S|re.M)
items = []
self.total = 0
for line in m_div:
re_span = r'<span>(.*?)</span>'
m_span = re.findall(re_span, line, re.S|re.M)
self.total += 1
items.append([self.total,m_span[0].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 '----------------------------------'
print u'第%d页 第%d条' % (page , items[0])
print items[1].replace('<br/>','\n')
myInput = raw_input()
if myInput == "quit":
self.enable = False
break
def Start(self):
self.enable = True
#page = self.page
see_page = 0
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]
see_page += 1
self.ShowPage(nowPage,see_page)
#----------- 程序的入口处 -----------
print u"""
---------------------------------------
程序:糗百爬虫
版本:0.3
作者:why
修改:Red Stone
日期:2017-06-03
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()