零基礎(chǔ)寫python爬蟲之抓取糗事百科代碼分享

更新時(shí)間：2014年11月06日 10:01:25 投稿：hebedich

前面我們介紹了如何抓取百度貼吧文章，然后講解了python的神器正則表達(dá)式，下面，我們就把2者結(jié)合起來，詳細(xì)介紹下，如何來抓取到糗事百科里面的指定內(nèi)容

項(xiàng)目?jī)?nèi)容：

用Python寫的糗事百科的網(wǎng)絡(luò)爬蟲。

使用方法：

新建一個(gè)Bug.py文件，然后將代碼復(fù)制到里面后，雙擊運(yùn)行。

程序功能：

在命令提示行中瀏覽糗事百科。

原理解釋：

首先，先瀏覽一下糗事百科的主頁：http://www.qiushibaike.com/hot/page/1
可以看出來，鏈接中page/后面的數(shù)字就是對(duì)應(yīng)的頁碼，記住這一點(diǎn)為以后的編寫做準(zhǔn)備。
然后，右擊查看頁面源碼：

觀察發(fā)現(xiàn)，每一個(gè)段子都用div標(biāo)記，其中class必為content，title是發(fā)帖時(shí)間，我們只需要用正則表達(dá)式將其“扣”出來就可以了。
明白了原理之后，剩下的就是正則表達(dá)式的內(nèi)容了，可以參照這篇文章：
http://www.dhdzp.com/article/57150.htm

運(yùn)行效果：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-

import urllib2
import urllib
import re
import thread
import time
#----------- 加載處理糗事百科 -----------
class Spider_Model:

    def __init__(self):
        self.page = 1
        self.pages = []
        self.enable = False

    # 將所有的段子都扣出來，添加到列表中并且返回列表
    def GetPage(self,page):
        myUrl = "         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的作用是將unicode編碼轉(zhuǎn)換成其他編碼的字符串
        #decode的作用是將其他編碼的字符串轉(zhuǎn)換成unicode編碼
        unicodePage = myPage.decode("utf-8")

        # 找出所有class="content"的div標(biāo)記
        #re.S是任意匹配模式，也就是.可以匹配換行符
        myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)
        items = []
        for item in myItems:
            # item 中第一個(gè)是div的標(biāo)題，也就是時(shí)間
            # item 中第二個(gè)是div的內(nèi)容，也就是內(nèi)容
            items.append([item[0].replace("\n",""),item[1].replace("\n","")])
        return items

    # 用于加載新的段子
    def LoadPage(self):
        # 如果用戶未輸入quit則一直運(yùn)行
        while self.enable:
            # 如果pages數(shù)組中的內(nèi)容小于2個(gè)
            if len(self.pages) < 2:
                try:
                    # 獲取新的頁面中的段子們
                    myPage = self.GetPage(str(self.page))
                    self.page += 1
                    self.pages.append(myPage)
                except:
                    print '無法鏈接糗事百科！'
            else:
                time.sleep(1)

    def ShowPage(self,nowPage,page):
        for items in nowPage:
            print u'第%d頁' % page , items[0] , items[1]
            myInput = raw_input()
            if myInput == "quit":
                self.enable = False
                break

    def Start(self):
        self.enable = True
        page = self.page

        print u'正在加載中請(qǐng)稍候......'

        # 新建一個(gè)線程在后臺(tái)加載段子并存儲(chǔ)
        thread.start_new_thread(self.LoadPage,())

        #----------- 加載處理糗事百科 -----------
        while self.enable:
            # 如果self的page數(shù)組中存有元素
            if self.pages:
                nowPage = self.pages[0]
                del self.pages[0]
                self.ShowPage(nowPage,page)
                page += 1

#----------- 程序的入口處 -----------
print u"""
---------------------------------------
   程序：糗百爬蟲
   版本：0.3
   作者：why
   日期：2014-06-03
   語言：Python 2.7
   操作：輸入quit退出閱讀糗事百科
   功能：按下回車依次瀏覽今日的糗百熱點(diǎn)
---------------------------------------
"""
print u'請(qǐng)按下回車瀏覽今日的糗百內(nèi)容：'
raw_input(' ')
myModel = Spider_Model()
myModel.Start()

Q&A：
1.為什么有段時(shí)間顯示糗事百科不可用？
答：前段時(shí)間因?yàn)轸苁掳倏铺砑恿薍eader的檢驗(yàn)，導(dǎo)致無法爬取，需要在代碼中模擬Header?，F(xiàn)在代碼已經(jīng)作了修改，可以正常使用。

2.為什么需要單獨(dú)新建個(gè)線程？
答：基本流程是這樣的：爬蟲在后臺(tái)新起一個(gè)線程，一直爬取兩頁的糗事百科，如果剩余不足兩頁，則再爬一頁。用戶按下回車只是從庫存中獲取最新的內(nèi)容，而不是上網(wǎng)獲取，所以瀏覽更順暢。也可以把加載放在主線程，不過這樣會(huì)導(dǎo)致爬取過程中等待時(shí)間過長(zhǎng)的問題。