扒糗事百科精华的python爬虫详解编程语言

# -*- 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   
    
    # 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://www.qiushibaike.com/hot/page/" + page 
        myUrl = myUrl + "?s=4771468" 
        user_agent = 'Mozilla/5.0 (Windows NT 6.1; rv:37.0) Gecko/20100101 Firefox/37.0'  
        headers = { 'User-Agent' : user_agent } 
        #print myUrl 
        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">(.*?)</div>',unicodePage,re.S) 
          
        items = []   
        for item in myItems:   
            # item 中是div的内容，也就是糗事百科精华的内容 
            # item 中去掉换行 
            items.append(item.replace("/n","").replace("<br/>",""))   
        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:   
            print u'第%d页' % page , items  
            myInput = raw_input()   
            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  
   原作者：why 
   修改者：天问-中国 
   日期：2015-05-12  
   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()