零基础写python爬虫之抓取糗事百科代码分享


Posted in Python onNovember 06, 2014

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:

零基础写python爬虫之抓取糗事百科代码分享

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:
https://3water.com/article/57150.htm

运行效果:

零基础写python爬虫之抓取糗事百科代码分享

# -*- 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('<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,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。

Python 相关文章推荐
python中字典dict常用操作方法实例总结
Apr 04 Python
python使用PyGame模块播放声音的方法
May 20 Python
用Python写一个无界面的2048小游戏
May 24 Python
Python实现将罗马数字转换成普通阿拉伯数字的方法
Apr 19 Python
Python+matplotlib实现华丽的文本框演示代码
Jan 22 Python
python使用jieba实现中文分词去停用词方法示例
Mar 11 Python
python 输入一个数n,求n个数求乘或求和的实例
Nov 13 Python
python框架flask表单实现详解
Nov 04 Python
对python中 math模块下 atan 和 atan2的区别详解
Jan 17 Python
Django自定义列表 models字段显示方式
Apr 03 Python
通过实例解析Python RPC实现原理及方法
Jul 07 Python
Linux系统下升级pip的完整步骤
Jan 31 Python
零基础写python爬虫之神器正则表达式
Nov 06 #Python
零基础写python爬虫之抓取百度贴吧代码分享
Nov 06 #Python
零基础写python爬虫之urllib2使用指南
Nov 05 #Python
零基础写python爬虫之urllib2中的两个重要概念:Openers和Handlers
Nov 05 #Python
零基础写python爬虫之HTTP异常处理
Nov 05 #Python
零基础写python爬虫之使用urllib2组件抓取网页内容
Nov 04 #Python
零基础写python爬虫之爬虫的定义及URL构成
Nov 04 #Python
You might like
火车采集器 免费版使出收费版本功能实现原理
2009/09/17 PHP
利用PHP扩展vld查看PHP opcode操作步骤
2013/03/04 PHP
基于jquery的气泡提示效果
2010/05/31 Javascript
Jquery知识点三 jquery表单对象操作
2011/01/17 Javascript
jquery对象和DOM对象的区别介绍
2013/08/09 Javascript
jquery实现简单手风琴菜单效果实例
2015/06/13 Javascript
JavaScript 对象深入学习总结(经典)
2015/09/29 Javascript
浅谈JS中的三种字符串连接方式及其性能比较
2016/09/02 Javascript
Vue-Router实现页面正在加载特效方法示例
2017/02/12 Javascript
详解使用angular的HttpClient搭配rxjs
2017/09/01 Javascript
基于node.js express mvc轻量级框架实践
2017/09/14 Javascript
angular 实现的输入框数字千分位及保留几位小数点功能示例
2018/06/19 Javascript
js实现动态添加上传文件页面
2018/10/22 Javascript
vue2.0基于vue-cli+element-ui制作树形treeTable
2019/04/30 Javascript
JS实现点击生成UUID的方法完整实例【基于jQuery】
2019/06/12 jQuery
完美解决vue 中多个echarts图表自适应的问题
2020/07/19 Javascript
python根据开头和结尾字符串获取中间字符串的方法
2015/03/26 Python
python uuid模块使用实例
2015/04/08 Python
详解Python3中yield生成器的用法
2015/08/20 Python
Python列出一个文件夹及其子目录的所有文件
2016/06/30 Python
Python引用传值概念与用法实例小结
2017/10/07 Python
python 对象和json互相转换方法
2018/03/22 Python
python在每个字符后添加空格的实例
2018/05/07 Python
python控制windows剪贴板,向剪贴板中写入图片的实例
2018/05/31 Python
Python数据类型之Set集合实例详解
2019/05/07 Python
Django自定义用户登录认证示例代码
2019/06/30 Python
Python使用sklearn实现的各种回归算法示例
2019/07/04 Python
基于pytorch的lstm参数使用详解
2020/01/14 Python
利用Python过滤相似文本的简单方法示例
2021/02/03 Python
全球性的女装店:storets
2019/06/12 全球购物
工程预算与管理应届生求职信
2013/10/06 职场文书
《蒙娜丽莎之约》教学反思
2014/02/27 职场文书
学雷锋志愿服务月活动总结
2014/03/09 职场文书
校长寄语大全
2014/04/09 职场文书
办公室主任个人对照检查材料思想汇报
2014/10/11 职场文书
婚礼领导致辞大全
2015/07/28 职场文书