python 数据爬虫 爬取糗百

最近在学习python，python爬虫功能相信很多人都听说过，虽然别的语言也能够爬取，不过python的爬取既然这么出名自然有它的道理，具体我也不详细说了。这里是一个例子，学习的大神博客地址为：大神爬取糗百实例
但是由于糗百的代码更改，源代码已经不能够爬取，所以就进行了一点点的改进，把作者和发的内容爬取出来，废话不多说，直接上代码，如果感兴趣的可以去刚才给的网站，大神讲的很详细，很厉害。

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 = "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    <div.*?class="content".*?>(.*?)</div>
myItems = re.findall(r'<h2>(.*?)</h2>.*?</div>.*?<div.*?class="content".*?>(.*?)</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()