項目內容：

用Python寫的糗事百科的網絡爬蟲。

使用方法：

新建一個Bug.py文件，然后將代碼復制到里面后，雙擊運行。

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： http://www.qiushibaike.com/hot/page/1

可以看出來，鏈接中page/后面的數字就是對應的頁碼，記住這一點為以后的編寫做準備。

然后，右擊查看頁面源碼：

觀察發現，每一個段子都用div標記，其中class必為content，title是發帖時間，我們只需要用正則表達式將其“扣”出來就可以了。

明白了原理之后，剩下的就是正則表達式的內容了，可以參照這篇博文：

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

運行效果 ：

    # -*- 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
#   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

#----------- 處理頁面上的各種標簽 -----------
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<>標簽
    EndCharToNoneRex = re.compile("<.*?>")

    # 用非 貪婪模式 匹配 任意<p>標簽
    BgnPartRex = re.compile("<p.*?>")
    CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
    CharToNextTabRex = re.compile("<td>")

    # 將一些html的符號實體轉變為原始符號
    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
#----------- 處理頁面上的各種標簽 -----------


#----------- 加載處理糗事百科 -----------
class HTML_Model:
    
    def __init__(self):
        self.page = 1
        self.pages = []
        self.myTool = HTML_Tool()
        self.enable = False

    # 將所有的段子都扣出來，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的作用是將unicode編碼轉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換成unicode編碼
        unicodePage = myPage.decode("utf-8")

        # 找出所有class="content"的div標記
        #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 中第一個是div的標題，也就是時間
            # item 中第二個是div的內容，也就是內容
            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則一直運行
        while self.enable:
            # 如果pages數組中的內容小于2個
            if len(self.pages) < 2:
                try:
                    # 獲取新的頁面中的段子們
                    myPage = self.GetPage(str(self.page))
                    self.page += 1
                    self.pages.append(myPage)
                except:
                    print '無法鏈接糗事百科！'
            else:
                time.sleep(1)
        
    def ShowPage(self,q,page):
        for items in q:
            print u'第%d頁' % 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'正在加載中請稍候......'
        
        # 新建一個線程在后臺加載段子并存儲
        thread.start_new_thread(self.LoadPage,())
        
        #----------- 加載處理糗事百科 -----------
        while self.enable:
            # 如果self的page數組中存有元素
            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
---------------------------------------
"""


print u'請按下回車瀏覽今日的糗百內容：'
raw_input(' ')
myModel = HTML_Model()
myModel.Start()

  

[Python]網絡爬蟲（八）：糗事百科的網絡爬蟲（v0.2）源碼及解析