项目内容：

用Python写的糗事百科的网络爬虫。

使用方法：

新建一个Bug.py文件，然后将代码复制到里面后，双击运行。

程序功能：

在命令提示行中浏览糗事百科。

原理解释：

首先，先浏览一下糗事百科的主页：http://www.qiushibaike.com/hot/page/1
可以看出来，链接中page/后面的数字就是对应的页码，记住这一点为以后的编写做准备。
然后，右击查看页面源码：

观察发现，每一个段子都用div标记，其中class必为content，title是发帖时间，我们只需要用正则表达式将其"扣"出来就可以了。
明白了原理之后，剩下的就是正则表达式的内容了，可以参照这篇文章：
http://www.jb51.net/article/57150.htm

运行效果：

复制代码 代码如下:

-- 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.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".*?title="(.*?)">(.*?)</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()

Q&A;：
1.为什么有段时间显示糗事百科不可用？
答：前段时间因为糗事百科添加了Header的检验，导致无法爬取，需要在代码中模拟Header。现在代码已经作了修改，可以正常使用。

2.为什么需要单独新建个线程？
答：基本流程是这样的：爬虫在后台新起一个线程，一直爬取两页的糗事百科，如果剩余不足两页，则再爬一页。用户按下回车只是从库存中获取最新的内容，而不是上网获取，所以浏览更顺畅。也可以把加载放在主线程，不过这样会导致爬取过程中等待时间过长的问题。