python爬虫糗事百科

# !/user/bin/env python
# -*- coding: utf-8 -*-
import  urllib
import  urllib2
import re
import thread
import time

class QSBK:
    def __init__(self):
        self.pageIndex=1
        self.user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        self.headers={ 'User-Agent' : self.user_agent }
        self.stories=[]
        self.enable = False
    def getPage(self,pageIndex):
        try:
            url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
            request = urllib2.Request(url,headers = self.headers)
            response = urllib2.urlopen(request)
            pageCode = response.read().decode('utf-8')
            return  pageCode
        except urllib2.URLError, e:
            if hasattr(e,"code"):
                 print e.code
            if hasattr(e,"reason"):
                 print u"连接糗事百科失败，错误原因",e.reason
                 return None
    def getPageItems(self,pageIndex):
        pageCode = self.getPage(pageIndex)
        if not pageCode:
            print "页面加载失败"
            return  None
        pattern =re.compile('.*?(.*?).*?(.*?).*?

(.*?)

(.*?)',re.S) items=re.findall(pattern,pageCode) pageStories=[] for item in items: haveImg = re.search("img",item[3]) if not haveImg: replaceBR=re.compile('
') text = re.sub(replaceBR,"\n",item[1]) pageStories.append([item[0].strip(),text.strip(),item[2].strip(),item[4].strip()]) return pageStories 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) self.pageIndex += 1 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() #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": self.enable = False return print u"第%d页\t发布人:%s\t发布时间:%s\t赞:%s\n%s" %(page,story[0],story[2],story[3],story[1]) #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()

self.stories里始终保存了两个页面的段子，一单读取完一个页面的段子就加载新页面