糗百的HTML更改后的python爬虫,2016,7,5 总计

最新的糗百HTML格式如下：

<div class="content">
真事，求过。 我们单位的MM们几乎都是90后的，个个都是月光族阿，有一次刚发工资就听见一美女说我赶紧的去买一包卫生巾去，要不然月底就没钱买了，我正喝着直接笑喷了，真事，求过。
<!--1443056753-->
</div>

代码更改注意问题：带有中文的list对象的输出一定要慎重,看懂并会用以下几个例子.

https://blog.longwin.com.tw/2014/09/python-list-print-chinese-2014/这里介绍的很好。

但是，还有个很重要的问题

myItems = re.findall('<div class="content">(.*?)</div>',unicodePage,re.S)items=[] i=1   for item in myItems:           items.append([item.replace("\n","")])for item in items:    print    print item

如果这样，会有下面的输出。这是不对的。首先这是两个List,，第一个List=['第一个段子','第二个段子'，.....],每个段子又是一个List,如下面所示，这个List只有一个对象，就是item[0],这个对象用''符号包围着,所以print item[0]

[u'\u590f\u5929\u5230\u4e86 \u5929\u6c14\u5f88\u70ed \u8bb8\u591a\u7537\u5b69\u5305\u62ec\u6211\u559c\u6b22\u628a\u4f53\u6064\u5411\u4e0a\u5377\u8d77\u6765 \u6f0f\u51fa\u810a\u80cc\u51c9\u5feb \u4f46\u662f \u6211\u8981\u8bf4\u7684\u662f\u4e00\u4e9b\u5428\u4f4d\u8f83\u5927\u7684\u7537\u751f \u628a\u4f53\u6064\u63d0\u5230\u80c3\u90e8\u5de6\u53f3\u7acb\u523b \u4e0d\u8981\u518d\u5f80\u4e0a\u6f0f\u51fa\u54aa\u54aa \u8fd9\u662f\u5bf9\u4e00\u4e9b\u5e73\u80f8\u59b9\u5b50\u6700\u57fa\u672c\u5c0a\u91cd\uff01\uff01\uff01']

#-*- 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         self.items_all=0;       #self.items_eachpage=0;           # 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)         myItems = re.findall('<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","")])              items.append([item.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:                self.items_all+=1            print u'第%d页' % page,u'总计第%d个段子' % self.items_all            myInput = raw_input()             print items[0]#.encode("utf-8")  ## much attention here            ###print item  is wrong            ###            ###            print ''             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()