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('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
        items=re.findall(pattern,pageCode)
        pageStories=[]
        for item in items:
                haveImg = re.search("img",item[3])
                if not haveImg:
                        replaceBR=re.compile('<br/>')
                        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