转自:http://blog.csdn.net/pleasecallmewhy/article/details/8932310
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：
![[Python]网络爬虫（八）：糗事百科的网络爬虫（v0.2）源码及解析](http://images.cnitblog.com/blog/587257/201401/251555302823786.png "[Python]网络爬虫（八）：糗事百科的网络爬虫（v0.2）源码及解析")
# -*- 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()