[Python]网络爬虫：糗事百科的网络爬虫（v0.2）源码及解析

源码下载：

http://download.csdn.net/detail/wxg694175346/6925583

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

运行效果：



[python] view
plaincopy





# -*- 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()