[Python]糗事百科的网络爬虫（v0.4）源码

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()