爬取糗事百科的spider

個人一直對網絡爬蟲感興趣，最近使用python的flask框架開發了一個小型網站(有待改進)以及最近在學習深度學習的開源框架caffe，caffe提供了python接口。藉此機會學習了一下python以及利用python開發爬蟲。希望後面能夠利用自己寫的爬蟲，爬取一些數據集用於caffe訓練。

代碼如下：

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

#嗅事百科爬蟲類
class BK:

	#初始化方法，定義一些變量
	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}
		#存放段子的變量，每一個元素是每一頁的段子們
		self.stories = []
		#存放程序是否繼續運行的變量
		self.enable = False
	#傳入某一頁的索引獲得頁面代碼
	def  getPage(self,pageIndex):
		try:
			url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
			#構建請求的request
			request = urllib2.Request(url,headers = self.headers)
			#利用urlopen獲取頁面代碼
			response = urllib2.urlopen(request)
			#將頁面轉化爲UTF-8編碼
			pageCode = response.read().decode('utf-8')
			return pageCode
		except urllib2.URLError, e:
			if hasattr(e,"reason"):
			 	print u"連接糗事百科失敗,錯誤原因",e.reason
			 	return None

	def getPageItems(self,pageIndex):
		pageCode = self.getPage(pageIndex)
		if not pageCode:
			print "頁面加載失敗...."
			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)
		#用來存儲每頁的段子們
		pageStories = []
		#遍歷正則表達式匹配的信息
		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
	#加載並提取頁面的內容，加入到列表中
	def loadPage(self):
		#如果當前未看的頁面少於2頁，則加載新一頁
		if self.enable == True:
			if len(self.stories) < 2:
				#獲取新一頁
				pageStories = self.getPageItems(self.pageIndex)
				#將該頁的段子存入到全局的list中
				if pageStories:
					self.stories.append(pageStories)
					#獲取完之後頁面索引加一，表示下次讀取下一頁
					self.pageIndex += 1


	#調用該方法，每次敲回車打印輸出一個段子
	def getOneStory(self,pageStories,page):
		#遍歷一頁的段子
		for story in pageStories:
			#等待用戶輸入
			input = raw_input()
			#每當輸入回車一次，判斷一下是否要加載新頁面
			self.loadPage()
			#如果輸入Q則程序結束
			if input == "Q":
				self.enable = False
				return 
			print u"第%d頁\t發佈人:%s\t發佈內容:%s\t贊:%s" %(page,story[0],story[1],story[2])

	#開始方法
	def  start(self):
		print u"正在讀取糗事百科,按回車查看新段子,Q退出"
		#使變量爲True，程序可以正常運行
		self.enable = True
		#先加載一頁內容
		self.loadPage()
		#局部變量，控制當前讀到了第幾頁
		nowPage = 0
		while self.enable:
			if len(self.stories)>0:
				pageStories = self.stories[0]
				#當前讀到的頁數加一
				nowPage += 1
				#將全局list中第一個元素刪除
				del self.stories[0]
				self.getOneStory(pageStories,nowPage)


spider = BK()
spider.start()
		

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