爬取糗事百科的spider

个人一直对网络爬虫感兴趣，最近使用python的flask框架开发了一个小型网站(有待改进)以及最近在学习深度学习的开源框架caffe，caffe提供了python接口。借此机会学习了一下python以及利用python开发爬虫。希望后面能够利用自己写的爬虫，爬取一些数据集用于caffe训练。

代码如下：

__author__ = 'JWL'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import thread
import time

#嗅事百科爬虫类
class BK:

	#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')
			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

	def getPageItems(self,pageIndex):
		pageCode = self.getPage(pageIndex)
		if not pageCode:
			print "页面加载失败...."
			return None
		pattern = re.compile('<div class="author clearfix">.*?href.*?<img src.*?title=.*?<h2>(.*?)</h2>.*?<div class="content">(.*?)</div>.*?<i class="number">(.*?)</i>',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[1])
			pageStories.append([item[0].strip(),text.strip(),item[2].strip()])
		return pageStories
	#加载并提取页面的内容，加入到列表中
	def loadPage(self):
		#如果当前未看的页面少于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)
				#将该页的段子存入到全局的list中
				if pageStories:
					self.stories.append(pageStories)
					#获取完之后页面索引加一，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":
				self.enable = False
				return 
			print u"第%d页\t发布人:%s\t发布内容:%s\t赞:%s" %(page,story[0],story[1],story[2])

	#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:
				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
				del self.stories[0]
				self.getOneStory(pageStories,nowPage)


spider = BK()
spider.start()
		

github地址：https://github.com/jingwanli6666/qiushibaike_spider