Python爬⾍Scrapy测试# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time
#糗事百科爬⾍类python正则表达式爬虫
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
#传⼊某⼀页的索引获得页⾯代码
def getPage(self,pageIndex):
try:
url = 'www.qiushibaike/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 = ad().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
#传⼊某⼀页代码，返回本页不带图⽚的段⼦列表
def getPageItems(self,pageIndex):
pageCode = Page(pageIndex)
if not pageCode:
print "页⾯加载失败...."
return None
pattern = repile('<div.*?author.*?>.*?<a.*?<img.*?</a>.*?<a.*?<h2>(.*?)</h2>.*?</div>.*?<div.*?' + 'content">(.*?)</div>', 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:
#是否含有图⽚
haveImg = re.search("img",item[1])
#如果不含有图⽚，把它加⼊list中
if not haveImg:
replaceBR = repile('<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]是发布时间,item[4]是点赞数
pageStories.append([item[0].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
able == True:
if len(self.stories) < 2:
#获取新⼀页
pageStories = PageItems(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()
#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":
return
print u"第%d页\t发布⼈:%s\t内容:%s" %(page,story[0],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
#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
able:
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
spider = QSBK()
spider.start()