PHP8.1.21版本已发布
vue8.1.21版本已发布
jquery8.1.21版本已发布

零基础写python爬虫之抓取糗事百科代码分享

原创
2016-06-06 11:20:44 1408浏览

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,可以参照这篇文章:
http://www.bitsCN.com/article/57150.htm

运行效果:


代码如下:


# -*- 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 = "http://m.qiushibaike.com/hot/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   
        myItems = re.findall('

(.*?)',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)                 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。

声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn核实处理。