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

其他网络资料：http://www.crifan.com/files/doc/docbook/python_topic_web_scrape/release/html/python_topic_web_scrape.html

　　　　　　  http://www.crifan.com/files/doc/docbook/web_scrape_emulate_login/release/html/web_scrape_emulate_login.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：