欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

零基础写python爬虫之抓取糗事百科代码分享

程序员文章站 2023-11-30 19:49:58
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...

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:
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:

运行效果:

零基础写python爬虫之抓取糗事百科代码分享

复制代码 代码如下:

# -*- 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 = "" + 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。