欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

零基礎寫python爬蟲之抓取糗事百科代碼分享

 更新時間：2014年11月06日 10:01:25   投稿：hebedich  
前面我們介紹了如何抓取百度貼吧文章，然后講解了python的神器正則表達式，下面，我們就把2者結合起來，詳細介紹下，如何來抓取到糗事百科里面的指定內容

項目內容：

用Python寫的糗事百科的網絡爬蟲。

使用方法：

新建一個Bug.py文件，然后將代碼復制到里面后，雙擊運行。

程序功能：

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主頁：http://www.qiushibaike.com/hot/page/1
可以看出來，鏈接中page/后面的數字就是對應的頁碼，記住這一點為以后的編寫做準備。
然后，右擊查看頁面源碼：

觀察發(fā)現，每一個段子都用div標記，其中class必為content，title是發(fā)帖時間，我們只需要用正則表達式將其“扣”出來就可以了。
明白了原理之后，剩下的就是正則表達式的內容了，可以參照這篇文章：
http://www.dbjr.com.cn/article/57150.htm

運行效果：


復制代碼 代碼如下:

# -*- coding: utf-8 -*-   
    
import urllib2   
import urllib   
import re   
import thread   
import time     
#----------- 加載處理糗事百科 -----------   
class Spider_Model:   
       
    def __init__(self):   
        self.page = 1   
        self.pages = []   
        self.enable = False   
   
    # 將所有的段子都扣出來，添加到列表中并且返回列表   
    def GetPage(self,page):   
        myUrl = "         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符串   
        #decode的作用是將其他編碼的字符串轉換成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.可以匹配換行符   
        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   
   
    # 用于加載新的段子   
    def LoadPage(self):   
        # 如果用戶未輸入quit則一直運行   
        while self.enable:   
            # 如果pages數組中的內容小于2個   
            if len(self.pages) < 2:   
                try:   
                    # 獲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 '無法鏈接糗事百科！'   
            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'正在加載中請稍候......'   
           
        # 新建一個線程在后臺加載段子并存儲   
        thread.start_new_thread(self.LoadPage,())   
           
        #----------- 加載處理糗事百科 -----------   
        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   
    
#----------- 程序的入口處 -----------   
print u""" 
--------------------------------------- 
   程序：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：按下回車依次瀏覽今日的糗百熱點 
--------------------------------------- 
""" 
print u'請按下回車瀏覽今日的糗百內容：'   
raw_input(' ')   
myModel = Spider_Model()   
myModel.Start()   

Q&A：
1.為什么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，需要在代碼中模擬Header。現在代碼已經作了修改，可以正常使用。

2.為什么需要單獨新建個線程？
答：基本流程是這樣的：爬蟲在后臺新起一個線程，一直爬取兩頁的糗事百科，如果剩余不足兩頁，則再爬一頁。用戶按下回車只是從庫存中獲取最新的內容，而不是上網獲取，所以瀏覽更順暢。也可以把加載放在主線程，不過這樣會導致爬取過程中等待時間過長的問題。

相關文章

最新評論