源码下载:
http://download.csdn.net/detail/wxg694175346/6925583
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,可以参照这篇博文:
http://blog.csdn.net/wxg694175346/article/details/8929576
运行效果:
- # -*- coding: utf-8 -*-
- #---------------------------------------
- # 程序:糗百爬虫
- # 版本:0.2
- # 作者:why
- # 日期:2013-05-15
- # 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
- # 更新:解决了命令提示行下乱码的问题
- #---------------------------------------
- import urllib2
- import urllib
- import re
- import thread
- import time
- #----------- 处理页面上的各种标签 -----------
- class HTML_Tool:
- # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片
- BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")
- # 用非 贪婪模式 匹配 任意<>标签
- EndCharToNoneRex = re.compile("<.*?>")
- # 用非 贪婪模式 匹配 任意<p>标签
- BgnPartRex = re.compile("<p.*?>")
- CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
- CharToNextTabRex = re.compile("<td>")
- # 将一些html的符号实体转变为原始符号
- replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]
- def Replace_Char(self,x):
- x = self.BgnCharToNoneRex.sub("",x)
- x = self.BgnPartRex.sub("\n ",x)
- x = self.CharToNewLineRex.sub("\n",x)
- x = self.CharToNextTabRex.sub("\t",x)
- x = self.EndCharToNoneRex.sub("",x)
- for t in self.replaceTab:
- x = x.replace(t[0],t[1])
- return x
- #----------- 处理页面上的各种标签 -----------
- #----------- 加载处理糗事百科 -----------
- class HTML_Model:
- def __init__(self):
- self.page = 1
- self.pages = []
- self.myTool = HTML_Tool()
- 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
- myResponse = urllib2.urlopen(myUrl)
- 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,q,page):
- for items in q:
- print u'第%d页' % page , items[0]
- print self.myTool.Replace_Char(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:0.1
- 作者:why
- 日期:2013-05-15
- 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 = HTML_Model()
- myModel.Start()