零基础写python爬虫之抓取糗事百科代码分享

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：
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，可以参照这篇文章：

运行效果：

# -*- 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   
   
    # 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 = "" + 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   
        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,nowpage,page):   
        for items in nowpage:   
            print u'第%d页' % 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 
   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()   

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。