python利用urlib2进行简单爬虫实例

# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time


'''
    糗事百科爬虫练习
'''


 
#糗事百科爬虫类
class QSBK:
 
    #初始化方法，定义一些变量
    def __init__(self):
        self.pageIndex = 1
        self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        #初始化headers
        self.headers = { 'User-Agent' : self.user_agent }
        #存放段子的变量，每一个元素是每一页的段子们
        self.stories = []
        #存放程序是否继续运行的变量
        self.enable = False
    #传入某一页的索引获得页面代码
    def getPage(self,pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            #构建请求的request
            request = urllib2.Request(url,headers = self.headers)
            #利用urlopen获取页面代码
            response = urllib2.urlopen(request)
            #将页面转化为UTF-8编码
            pageCode = response.read().decode('utf-8')
#             print pageCode
            return pageCode
 
        except urllib2.URLError, e:
            if hasattr(e,"reason"):
                print u"连接糗事百科失败,错误原因",e.reason
                return None
 
 
    #传入某一页代码，返回本页不带图片的段子列表
    def getPageItems(self,pageIndex):
        
        pageCode = self.getPage(pageIndex)
        
        if not pageCode:
            print "页面加载失败...."
            return None
        #获得页面的段子内容
        pattern = re.compile('
.*?(.*?)',re.S)

        items = re.findall(pattern,pageCode)
        
        #用来存储每页的段子们
        pageStories = []
        #遍历正则表达式匹配的信息
        for item in items:

            replaceBR = re.compile('
')
            text = re.sub(replaceBR,"\n",item)
            #item[0]是一个段子的发布者，item[1]是内容，item[2]是发布时间,item[4]是点赞数
            pageStories.append(text.strip())

        return pageStories
 
    #加载并提取页面的内容，加入到列表中
    def loadPage(self):
        #如果当前未看的页数少于2页，则加载新一页
        
        if self.enable == True:
            if len(self.stories) < 2:
                #获取新一页
                
                pageStories = self.getPageItems(self.pageIndex)
                #将该页的段子存放到全局list中
                if pageStories:
                    self.stories.append(pageStories)
                    #获取完之后页码索引加一，表示下次读取下一页
                    self.pageIndex += 1
    
    #调用该方法，每次敲回车打印输出一个段子
    def getOneStory(self,pageStories,page):
        #遍历一页的段子
        for story in pageStories:
            #等待用户输入

            input = raw_input("请按下任意键....")
            #每当输入回车一次，判断一下是否要加载新页面
            self.loadPage()
            #如果输入Q则程序结束

            if input == "Q" or input == u"Q":
                self.enable = False
                return
            print u"第%d页\n发布内容:\n%s" %(page,story)
    
    #开始方法
    def start(self):
        print u"正在读取糗事百科,按回车查看新段子，Q退出"
        #使变量为True，程序可以正常运行
        self.enable = True
        #先加载一页内容
        self.loadPage()
        #局部变量，控制当前读到了第几页
        nowPage = 0

        while self.enable:
           
            if len(self.stories)>0:
                #从全局list中获取一页的段子
                pageStories = self.stories[0]
                #当前读到的页数加一
                nowPage += 1
                #将全局list中第一个元素删除，因为已经取出
                del self.stories[0]
                #输出该页的段子
                self.getOneStory(pageStories,nowPage)
 
 
spider = QSBK()
spider.start()

如果失败，可以修改一下正则，应该是正则出问题，可以去糗事百科上去看看网页布局