Python爬虫与mysql
爬虫基础及正则表达式:http://blog.csdn.net/gzh0222/article/details/12647723
爬虫实战及进阶:http://www.cnblogs.com/xin-xin/p/4297852.html
Python与数据库:http://www.cnblogs.com/fnng/p/3565912.html
以下是爬糗事百科段子的Python源码
软件:Python2.5
系统:win7
源码如下:
# -*- 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.count = 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 = "http://m.qiushibaike.com/hot/page/" + 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">.*?</div>',unicodePage,re.S) myItems = re.findall('<div class="content">\n*(.*?)<.*?>\n*</div>',unicodePage,re.S) items = [] for item in myItems: #去掉段子中网页相关的内容 #strinfo = re.compile(u'<.*?>') #tt = strinfo.sub(u'', item) #strinfo1 = re.compile(u'^\n*') #tt = strinfo1.sub(u'', tt) #strinfo2 = re.compile(u'\n*$') #tt = strinfo2.sub(u'', tt) #tt = tt.replace(u'\n',u'') items.append(item) 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条\n' % self.count , items self.count += 1 myInput = raw_input() if myInput == "q": self.enable = False break def Start(self): self.enable = True page = self.page print u'......正在搜索中......\n' # 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:1.0 作者:zz 日期:2016-02-16 语言:Python 2.5 操作:输入'q'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()
运行效果如下: