[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)

Q&A:

1.为什么有段时间显示糗事百科不可用?

答:前段时间因为糗事百科添加了Header的检验,导致无法爬取,需要在代码中模拟Header。现在代码已经作了修改,可以正常使用。


2.为什么需要单独新建个线程?

答:基本流程是这样的:爬虫在后台新起一个线程,一直爬取两页的糗事百科,如果剩余不足两页,则再爬一页。用户按下回车只是从库存中获取最新的内容,而不是上网获取,所以浏览更顺畅。也可以把加载放在主线程,不过这样会导致爬取过程中等待时间过长的问题。





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. import urllib2    
  4. import urllib    
  5. import re    
  6. import thread    
  7. import time    
  8.   
  9.     
  10. #----------- 加载处理糗事百科 -----------    
  11. class Spider_Model:    
  12.         
  13.     def __init__(self):    
  14.         self.page = 1    
  15.         self.pages = []    
  16.         self.enable = False    
  17.     
  18.     # 将所有的段子都扣出来,添加到列表中并且返回列表    
  19.     def GetPage(self,page):    
  20.         myUrl = "http://m.qiushibaike.com/hot/page/" + page    
  21.         user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'   
  22.         headers = { 'User-Agent' : user_agent }   
  23.         req = urllib2.Request(myUrl, headers = headers)   
  24.         myResponse = urllib2.urlopen(req)  
  25.         myPage = myResponse.read()    
  26.         #encode的作用是将unicode编码转换成其他编码的字符串    
  27.         #decode的作用是将其他编码的字符串转换成unicode编码    
  28.         unicodePage = myPage.decode("utf-8")    
  29.     
  30.         # 找出所有class="content"的div标记    
  31.         #re.S是任意匹配模式,也就是.可以匹配换行符    
  32.         myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)    
  33.         items = []    
  34.         for item in myItems:    
  35.             # item 中第一个是div的标题,也就是时间    
  36.             # item 中第二个是div的内容,也就是内容    
  37.             items.append([item[0].replace("\n",""),item[1].replace("\n","")])    
  38.         return items    
  39.     
  40.     # 用于加载新的段子    
  41.     def LoadPage(self):    
  42.         # 如果用户未输入quit则一直运行    
  43.         while self.enable:    
  44.             # 如果pages数组中的内容小于2个    
  45.             if len(self.pages) < 2:    
  46.                 try:    
  47.                     # 获取新的页面中的段子们    
  48.                     myPage = self.GetPage(str(self.page))    
  49.                     self.page += 1    
  50.                     self.pages.append(myPage)    
  51.                 except:    
  52.                     print '无法链接糗事百科!'    
  53.             else:    
  54.                 time.sleep(1)    
  55.             
  56.     def ShowPage(self,nowPage,page):    
  57.         for items in nowPage:    
  58.             print u'第%d页' % page , items[0]  , items[1]    
  59.             myInput = raw_input()    
  60.             if myInput == "quit":    
  61.                 self.enable = False    
  62.                 break    
  63.             
  64.     def Start(self):    
  65.         self.enable = True    
  66.         page = self.page    
  67.     
  68.         print u'正在加载中请稍候......'    
  69.             
  70.         # 新建一个线程在后台加载段子并存储    
  71.         thread.start_new_thread(self.LoadPage,())    
  72.             
  73.         #----------- 加载处理糗事百科 -----------    
  74.         while self.enable:    
  75.             # 如果self的page数组中存有元素    
  76.             if self.pages:    
  77.                 nowPage = self.pages[0]    
  78.                 del self.pages[0]    
  79.                 self.ShowPage(nowPage,page)    
  80.                 page += 1    
  81.     
  82.     
  83. #----------- 程序的入口处 -----------    
  84. print u"""  
  85. ---------------------------------------  
  86.    程序:糗百爬虫  
  87.    版本:0.3  
  88.    作者:why  
  89.    日期:2014-06-03  
  90.    语言:Python 2.7  
  91.    操作:输入quit退出阅读糗事百科  
  92.    功能:按下回车依次浏览今日的糗百热点  
  93. ---------------------------------------  
  94. """  
  95.     
  96.     
  97. print u'请按下回车浏览今日的糗百内容:'    
  98. raw_input(' ')    
  99. myModel = Spider_Model()    
  100. myModel.Start()   
阅读更多

扫码向博主提问

luyaran

非学,无以致疑;非问,无以广识
  • 擅长领域:
  • PHP
  • MySQL
  • shell
  • jQuery
  • js
去开通我的Chat快问
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页