初學 Python, 結合網絡資料整理
#!/usr/bin/python #coding=UTF-8 ''' 爬蟲 v 1.0 (L) ''' import time import sys import re #==================================== # 根據 Python 的版本選擇需要加載的模塊 #==================================== if (sys.version)[0] == '3': import urllib.request as urlreq import _thread as thread else: import urllib2 as urlreq import thread as thread class Spider: def __init__(self): self.pageidx = 1 # 標記頁碼 self.items = [] # 存放正文內容 self.read = False # 存放是否繼續 True:繼續; False:停止 self.restr = '' self.user_agent = ['Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)', '', ''] # UA 列表 self.header = { 'User-Agent' : (self.user_agent)[0] }# 存放瀏覽器UA(防止網站限定header) #========================================================= # 功能: 獲取網頁內容(按規則) # 參數: self; url:頁面地址; recom:正則 #========================================================= def GetItems(self, url, recom): request = urlreq.Request(url, headers = self.header) html = urlreq.urlopen(request).read() # 頁面編碼轉換 (encode: unicode->其它; decode: 其它->unicode) uhtml = html.decode("UTF-8") # 根據規則從頁面選定內容; return re.findall(recom, uhtml) #========================================================= # 功能: 加載網頁內容 # 參數: self; #========================================================= def LoadItems(self, url, recom): while self.read: # 判斷當items中的內容不足兩條時,請求下一頁數據並存入items列表中 if len(self.items) < 2: try: uri = url.replace("$PX$", str(self.pageidx)) item = self.GetItems(uri, recom) self.items.append(item) self.pageidx += 1 except: print('[ ' + uri + ' ] 被外星人劫持[訪問失敗]....') self.read = False else: time.sleep(1) #========================================================= # 功能: 現實網頁內容(並接收用戶輸入) # 參數: self; #========================================================= def ShowItems(self, items, pidx = 1): for item in items: print(u'[%d]' % pidx, item[1], '\n', item[0].replace('\n', '').replace('<br/>', '\n')) print('-' * 70) option = input().upper() if option == 'Q': self.read = False return 9 elif option == 'R': self.pageidx = 1 # 初始值 return 0 return 1 #========================================================= # 功能: 現實網頁內容(並接收用戶輸入) # 參數: self; #========================================================= def Launcher(self, url, recom): self.read = True pidx = self.pageidx print(u'正在加載中請稍候......\n', '=' * 70) thread.start_new_thread(self.LoadItems, (url, recom)) while self.read: if self.items: item = self.items[0] del self.items[0] ret = self.ShowItems(item, pidx) if ret == 9: print(u'即將推出閱讀....') break else: pidx += ret def usage(): print(u""" --------------------------------------------- - 程序:糗百爬蟲(閱讀文章) - 版本:0.1 - 作者:L - 日期:2015-06-30 - 語言:Python 3.3.5 - 操作:Q:退出閱讀; R:刷新到第一頁; 回車:閱讀 - 功能:按下回車依次瀏覽今日的糗百熱點 --------------------------------------------- """) if __name__ == "__main__": usage() url = 'http://m.qiushibaike.com/hot/page/$PX$' # re.S是任意匹配模式(如:匹配換行符) recom = re.compile(r'<div class="content">(.*?)<!--(.*?)-->.*?</div>', re.S) input('瀏覽今日的糗百內容(任意鍵):') spider = Spider() spider.Launcher(url, recom) print('歡迎再次使用....')