本爬虫最初始原地址:http://blog.csdn.net/pleasecallmewhy/article/details/8932310
基于的上一个改进版:第二个http://blog.csdn.net/u011350541/article/details/52264073
改动:
优化了显示,去掉<span></br>等标签;
输入一次enter加载一页而不是不停加载
# -*- coding: utf-8 -*-
import urllib2
import urllib
import re
import thread
import time
import json
#----------- 加载处理糗事百科 -----------
class Spider_Model:
#声明self:含有page pages enabled
def __init__(self):
self.page = 1
self.pages = []
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
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()
# print myPage
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">\n\n+<span>(.*?)</span>\n\n+</div>',unicodePage,re.S)
items = []
# print myItems
# print str(myItems).decode('string_escape')
# print json.dumps(myItems, encoding="UTF-8", ensure_ascii=False)
# 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","")])
# print myItems
# print str(myItems).decode('string_escape')
# print str(myItems).encode("UTF-8")
# print myItems[0]
return myItems
# 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
# print len(self.pages)
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(5)
# def ShowPage(self,nowPage,page):
# print u'第%d页' % page,json.dumps(nowPage, encoding="UTF-8", ensure_ascii=False)
def ShowPage(self,nowPage,page):
i = 0
# print len(nowPage)
for i in range(0,len(nowPage)):
if i < len(nowPage):
oneStory="\n\n"+nowPage[i].replace("\n\n","").replace("<br/>","\n")+"\n\n"
print u'第%d页,第%d个故事' %(page,i) ,oneStory
i += 1
else:
break
myInput = str(raw_input(u'回车键看下一页,按quit退出:\n'))
if myInput == "quit":
self.enable = False
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:0.3
作者:why
日期:2014-06-03
改进1:周二也被占用
改进2:allenwithallen 20160931
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()