Python 一个简单的爬虫代码

# -*- 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 = "" + page
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        headers = { 'User-Agent' : user_agent }
        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('(.*?)

',unicodePage,re.S)

        items = []

        for item in myItems:

            # item 中第一个是div的标题，也就是时间

            # item 中第二个是div的内容，也就是内容

            items.append([item[0].replace("\n",""),item[1].replace("\n","")])

        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[0] , items[1]

            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

   作者：why

   日期：2014-06-03

   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()