参考学习 静觅 http://cuiqingcai.com/990.html
#-*- coding: UTF-8 -*-
__autohor__ = 'ZHJ'
#coding=utf-8
import urllib
import urllib2
import re
import thread
import time
#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
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, "reason"):
print u"连接糗事百科失败,错误原因",e.reason
return None
#传入页码,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
reg = '<div.*?author.*?>.*?<a.*?<h2>(.*?)</h2>.*?</a>.*?<div.*?content">.*?<span>(.*?)</span>.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>';
pattern = re.compile(reg, re.S)
items = re.findall(pattern, pageCode)
#用来存储每页的段子们
pageStories = []
for item in items:
haveImg = re.search("img", item[2])
if not haveImg:
replaceBr = re.compile("<br/>")
text = re.sub(replaceBr, "\n", item[1])
# item[0]是一个段子的发布者,item[1]是内容,item[2]表示发布的图片,item[3]是点赞数
#pageStories 按照发布人 点赞数, 内容顺序存储
pageStories.append([item[0].strip(), item[3].strip(), 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)
#将该页的段子放到全局list中
if pageStories:
self.stories.append(pageStories)
#获取网之后页码索引加1,表示下次读取下一页
self.pageIndex +=1
#调用该方法,每次敲回车打印出一个段子
def getOneStroy(self, pageStories, page):
for story in pageStories:
input = raw_input()
self.loadPage()
if input == 'Q':
self.enable = False
return
print u"第%d页\t发布人:%s\t赞:%s\n%s" % (page, story[0], story[1], story[2])
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1
nowPage += 1
#将全局list中的第一个元素删除,因为已经取出了
del self.stories[0]
#输出该页的段子
self.getOneStroy(pageStories, nowPage)
spider = QSBK()
spider.start()