[Python]网络爬虫（八）：糗事百科的网络爬虫（v0.3）源码及解析(简化更新)

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。

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.youkuaiyun.com/wxg694175346/article/details/8929576

运行效果：

[python] view plain copy

1. # -*- coding: utf-8 -*-    
2.      
3. import urllib2    
4. import urllib    
5. import re    
6. import thread    
7. import time    
8.   
9.     
10. #----------- 加载处理糗事百科 -----------    
11. class Spider_Model:    
12.         
13.     def __init__(self):    
14.         self.page = 1    
15.         self.pages = []    
16.         self.enable = False    
17.     
18.     # 将所有的段子都扣出来，添加到列表中并且返回列表    
19.     def GetPage(self,page):    
20.         myUrl = "http://m.qiushibaike.com/hot/page/" + page    
21.         user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'   
22.         headers = { 'User-Agent' : user_agent }   
23.         req = urllib2.Request(myUrl, headers = headers)   
24.         myResponse = urllib2.urlopen(req)  
25.         myPage = myResponse.read()    
26.         #encode的作用是将unicode编码转换成其他编码的字符串    
27.         #decode的作用是将其他编码的字符串转换成unicode编码    
28.         unicodePage = myPage.decode("utf-8")    
29.     
30.         # 找出所有class="content"的div标记    
31.         #re.S是任意匹配模式，也就是.可以匹配换行符    
32.         myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)    
33.         items = []    
34.         for item in myItems:    
35.             # item 中第一个是div的标题，也就是时间    
36.             # item 中第二个是div的内容，也就是内容    
37.             items.append([item[0].replace("\n",""),item[1].replace("\n","")])    
38.         return items    
39.     
40.     # 用于加载新的段子    
41.     def LoadPage(self):    
42.         # 如果用户未输入quit则一直运行    
43.         while self.enable:    
44.             # 如果pages数组中的内容小于2个    
45.             if len(self.pages) < 2:    
46.                 try:    
47.                     # 获取新的页面中的段子们    
48.                     myPage = self.GetPage(str(self.page))    
49.                     self.page += 1    
50.                     self.pages.append(myPage)    
51.                 except:    
52.                     print '无法链接糗事百科！'    
53.             else:    
54.                 time.sleep(1)    
55.             
56.     def ShowPage(self,nowPage,page):    
57.         for items in nowPage:    
58.             print u'第%d页' % page , items[0]  , items[1]    
59.             myInput = raw_input()    
60.             if myInput == "quit":    
61.                 self.enable = False    
62.                 break    
63.             
64.     def Start(self):    
65.         self.enable = True    
66.         page = self.page    
67.     
68.         print u'正在加载中请稍候......'    
69.             
70.         # 新建一个线程在后台加载段子并存储    
71.         thread.start_new_thread(self.LoadPage,())    
72.             
73.         #----------- 加载处理糗事百科 -----------    
74.         while self.enable:    
75.             # 如果self的page数组中存有元素    
76.             if self.pages:    
77.                 nowPage = self.pages[0]    
78.                 del self.pages[0]    
79.                 self.ShowPage(nowPage,page)    
80.                 page += 1    
81.     
82.     
83. #----------- 程序的入口处 -----------    
84. print u"""  
85. ---------------------------------------  
86.    程序：糗百爬虫  
87.    版本：0.3  
88.    作者：why  
89.    日期：2014-06-03  
90.    语言：Python 2.7  
91.    操作：输入quit退出阅读糗事百科  
92.    功能：按下回车依次浏览今日的糗百热点  
93. ---------------------------------------  
94. """  
95.     
96.     
97. print u'请按下回车浏览今日的糗百内容：'    
98. raw_input(' ')    
99. myModel = Spider_Model()    
100. myModel.Start()