零基礎寫python爬蟲之抓取糗事百科代碼分享

項目內容：

用Python寫的糗事百科的網路爬蟲。

使用方法：

建立一個Bug.py檔案，然後將代碼複製到裡面後，雙擊運行。

程式功能：

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首頁：http://www.qiushibaike.com/hot/page/1
可以看出來，連結中page/後面的數字就是對應的頁碼，記住這一點為以後的編寫做準備。
然後，右擊查看頁面源碼：

觀察發現，每一個段子都用div標記，其中class必為content，title是發帖時間，我們只需要用Regex將其“扣”出來就可以了。
明白了原理之後，剩下的就是Regex的內容了，可以參照這篇文章：
http://www.bitsCN.com/article/57150.htm

運行效果：

代碼如下:

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

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

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

# 將所有的段子都扣出來，添加到列表中並且返回列表
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的作用是將unicode編碼轉換成其他編碼的字串
#decode的作用是將其他編碼的字串轉換成unicode編碼
unicodePage = myPage.decode("utf-8")

# 找出所有class="content"的div標記
#re.S是任意匹配模式，也就是.可以匹配分行符號
myItems = re.findall('(.*?)',unicodePage,re.S)
items = []
for item in myItems:
# item 中第一個是div的標題，也就是時間
# item 中第二個是div的內容，也就是內容
items.append([item[0].replace("\n",""),item[1].replace("\n","")])
return items

# 用於載入新的段子
def LoadPage(self):
# 如果使用者未輸入quit則一直運行
while self.enable:
# 如果pages數組中的內容小於2個
if len(self.pages) < 2:
try:
# 擷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 '無法連結糗事百科！'
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'正在載入中請稍候......'

# 建立一個線程在後台載入段子並儲存
thread.start_new_thread(self.LoadPage,())

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

#----------- 程式的入口處 -----------
print u"""
---------------------------------------
程式：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：按下斷行符號依次瀏覽今日的糗百熱點
---------------------------------------
"""
print u'請按下斷行符號瀏覽今日的糗百內容：'
raw_input(' ')
myModel = Spider_Model()
myModel.Start()

Q&A：
1.為什麼有段時間顯示糗事百科不可用？
答：前段時間因為糗事百科添加了Header的檢驗，導致無法爬取，需要在代碼中類比Header。現在代碼已經作了修改，可以正常使用。

2.為什麼需要單獨建立個線程？
答：基本流程是這樣的：爬蟲在後台新起一個線程，一直爬取兩頁的糗事百科，如果剩餘不足兩頁，則再爬一頁。使用者按下斷行符號只是從庫存中擷取最新的內容，而不是上網擷取，所以瀏覽更順暢。也可以把載入放在主線程，不過這樣會導致爬取過程中等待時間過長的問題。

