[Python]網路爬蟲（八）：糗事百科的網路爬蟲（v0.3）源碼及解析(簡化更新)__Python

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

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。

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，可以參照這篇博文：

http://blog.csdn.net/wxg694175346/article/details/8929576

運行效果：

[python] view plain copy # -*- 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('<div.*?class="content".*?title="(.*?)">(.*?)</div>',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()