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('<div class="content">.*?<span>(.*?)</span>',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('<br/>')
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