[Python]网络爬虫（八）：糗事百科的网络爬虫（v0.2）源码及解析

转自:http://blog.csdn.net/pleasecallmewhy/article/details/8932310

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：

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

#---------------------------------------

#   程序：糗百爬虫

#   版本：0.2

#   作者：why

#   日期：2013-05-15

#   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

#   更新：解决了命令提示行下乱码的问题

#---------------------------------------

import urllib2

import urllib

import re

import thread

import time

#----------- 处理页面上的各种标签 -----------

class HTML_Tool:

    # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片

    BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")

    # 用非 贪婪模式 匹配 任意<>标签

    EndCharToNoneRex = re.compile("<.*?>")

    # 用非 贪婪模式 匹配 任意<p>标签

    BgnPartRex = re.compile("<p.*?>")

    CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")

    CharToNextTabRex = re.compile("<td>")

    # 将一些html的符号实体转变为原始符号

    replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]

    def Replace_Char(self,x):

        x = self.BgnCharToNoneRex.sub("",x)

        x = self.BgnPartRex.sub("\n    ",x)

        x = self.CharToNewLineRex.sub("\n",x)

        x = self.CharToNextTabRex.sub("\t",x)

        x = self.EndCharToNoneRex.sub("",x)

        for t in self.replaceTab:

            x = x.replace(t[0],t[1])

        return x

#----------- 处理页面上的各种标签 -----------

#----------- 加载处理糗事百科 -----------

class HTML_Model:

    def __init__(self):

        self.page = 1

        self.pages = []

        self.myTool = HTML_Tool()

        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

        myResponse  = urllib2.urlopen(myUrl)

        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

        myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)

        items = []

        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","")])

        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,q,page):

        for items in q:

            print u'第%d页' % page , items[0]

            print self.myTool.Replace_Char(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：0.1

   作者：why

   日期：2013-05-15

   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 = HTML_Model()

myModel.Start()