項(xiàng)目?jī)?nèi)容：

用Python寫的糗事百科的網(wǎng)絡(luò)爬蟲。

使用方法：

新建一個(gè)Bug.py文件，然后將代碼復(fù)制到里面后，雙擊運(yùn)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(yè)：http://www.qiushibaike.com/hot/page/1

可以看出來(lái)，鏈接中page/后面的數(shù)字就是對(duì)應(yīng)的頁(yè)碼，記住這一點(diǎn)為以后的編寫做準(zhǔn)備。

然后，右擊查看頁(yè)面源碼：

觀察發(fā)現(xiàn)，每一個(gè)段子都用div標(biāo)記，其中class必為content，title是發(fā)帖時(shí)間，我們只需要用正則表達(dá)式將其“扣”出來(lái)就可以了。

明白了原理之后，剩下的就是正則表達(dá)式的內(nèi)容了，可以參照這篇博文：

http://blog.csdn.net/wxg694175346/article/details/8929576

運(yùn)行效果：

# -*- coding: utf-8 -*- #--------------------------------------- # 程序：糗百爬蟲 # 版本：0.2 # 作者：why # 日期：2013-05-15 # 語(yǔ)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(diǎn) # 更新：解決了命令提示行下亂碼的問題 #---------------------------------------import urllib2 import urllib import re import thread import time#----------- 處理頁(yè)面上的各種標(biāo)簽 ----------- class HTML_Tool:# 用非 貪婪模式 匹配 \t 或者 \n 或者 空格 或者 超鏈接 或者 圖片BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")# 用非 貪婪模式 匹配 任意<>標(biāo)簽EndCharToNoneRex = re.compile("<.*?>")# 用非 貪婪模式 匹配 任意<p>標(biāo)簽BgnPartRex = re.compile("<p.*?>")CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")CharToNextTabRex = re.compile("<td>")# 將一些html的符號(hào)實(shí)體轉(zhuǎn)變?yōu)樵挤?hào)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 #----------- 處理頁(yè)面上的各種標(biāo)簽 -----------#----------- 加載處理糗事百科 ----------- class HTML_Model:def __init__(self):self.page = 1self.pages = []self.myTool = HTML_Tool()self.enable = False# 將所有的段子都扣出來(lái)，添加到列表中并且返回列表def GetPage(self,page):myUrl = "http://m.qiushibaike.com/hot/page/" + pagemyResponse = urllib2.urlopen(myUrl)myPage = myResponse.read()#encode的作用是將unicode編碼轉(zhuǎn)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(zhuǎn)換成unicode編碼unicodePage = myPage.decode("utf-8")# 找出所有class="content"的div標(biāo)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(gè)是div的標(biāo)題，也就是時(shí)間# item 中第二個(gè)是div的內(nèi)容，也就是內(nèi)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(yùn)行while self.enable:# 如果pages數(shù)組中的內(nèi)容小于2個(gè)if len(self.pages) < 2:try:# 獲取新的頁(yè)面中的段子們myPage = self.GetPage(str(self.page))self.page += 1self.pages.append(myPage)except:print '無(wú)法鏈接糗事百科！'else:time.sleep(1)def ShowPage(self,q,page):for items in q:print u'第%d頁(yè)' % page , items[0]print self.myTool.Replace_Char(items[1])myInput = raw_input()if myInput == "quit":self.enable = Falsebreakdef Start(self):self.enable = Truepage = self.pageprint u'正在加載中請(qǐng)稍候......'# 新建一個(gè)線程在后臺(tái)加載段子并存儲(chǔ)thread.start_new_thread(self.LoadPage,())#----------- 加載處理糗事百科 -----------while self.enable:# 如果self的page數(shù)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：0.1作者：why日期：2013-05-15語(yǔ)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(diǎn) --------------------------------------- """print u'請(qǐng)按下回車瀏覽今日的糗百內(nèi)容：' raw_input(' ') myModel = HTML_Model() myModel.Start()

總結(jié)

以上是生活随笔為你收集整理的糗事百科的网络爬虫（v0.2）源码及解析 .的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。