Python 爬虫

23r2rfwer

#!/usr/bin/python
#coding=UTF-8

'''
爬虫 v 1.0 (L)
'''

import time
import sys
import re
#====================================
# 根据 Python 的版本选择需要加载的模块
#====================================
if (sys.version)[0] == '3':
    import urllib.request as urlreq
    import _thread as thread
else:
    import urllib2 as urlreq
    import thread as thread

class Spider:
    def __init__(self):
        self.pageidx = 1   # 标记页码
        self.items = []    # 存放正文内容
        self.read = False  # 存放是否继续 True:继续; False:停止
        self.restr = ''
        self.user_agent = ['Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)', '', ''] # UA 列表
        self.header = { 'User-Agent' : (self.user_agent)[0] }# 存放浏览器UA(防止网站限定header)

    #=========================================================
    # 功能: 获取网页内容(按规则)
    # 参数: self; url:页面地址;  recom:正则
    #=========================================================
    def GetItems(self, url, recom):
        request = urlreq.Request(url, headers = self.header)
        html = urlreq.urlopen(request).read()

        # 页面编码转换 (encode: unicode->其它; decode: 其它->unicode)
        uhtml = html.decode("UTF-8")

        # 根据规则从页面选定内容;
        return re.findall(recom, uhtml)

    #=========================================================
    # 功能: 加载网页内容
    # 参数: self;
    #=========================================================
    def LoadItems(self, url, recom):

        while self.read:
            # 判断当items中的内容不足两条时,请求下一页数据并存入items列表中
            if len(self.items) < 2:
                try:
                    uri = url.replace("$PX$", str(self.pageidx))
                    item = self.GetItems(uri, recom)
                    self.items.append(item)
                    self.pageidx += 1
                except:
                    print('[ ' + uri + ' ] 被外星人劫持[访问失败]....')
                    self.read = False
            else:
                time.sleep(1)

    #=========================================================
    # 功能: 现实网页内容(并接收用户输入)
    # 参数: self;
    #=========================================================
    def ShowItems(self, items, pidx = 1):
        for item in items:
            print(u'[%d]' % pidx, item[1], '\n', item[0].replace('\n', '').replace('<br/>', '\n'))
            print('-' * 70)
            option = input().upper()
            if option == 'Q':
                self.read = False
                return 9
            elif option == 'R':
                self.pageidx = 1 # 初始值
                return 0
        return 1

    #=========================================================
    # 功能: 现实网页内容(并接收用户输入)
    # 参数: self;
    #=========================================================
    def Launcher(self, url, recom):
        self.read = True
        pidx = self.pageidx

        print(u'正在加载中请稍候......\n', '=' * 70)

        thread.start_new_thread(self.LoadItems, (url, recom))

        while self.read:
            if self.items:
                item = self.items[0]
                del self.items[0]
                ret = self.ShowItems(item, pidx)
                if ret == 9:
                    print(u'即将推出阅读....')
                    break
                else:
                    pidx += ret



def usage():
    print(u"""
    ---------------------------------------------
    -   程序：糗百爬虫(阅读文章)
    -   版本：0.1
    -   作者：L
    -   日期：2015-06-30
    -   语言：Python 3.3.5
    -   操作：Q:退出阅读; R:刷新到第一页; 回车:阅读
    -   功能：按下回车依次浏览今日的糗百热点
    ---------------------------------------------
    """)
if __name__ == "__main__":
        usage()
         
        url = 'http://m.qiushibaike.com/hot/page/$PX$'
        # re.S是任意匹配模式(如:匹配换行符)
        recom = re.compile(r'<div class="content">(.*?)<!--(.*?)-->.*?</div>', re.S)
         
        input('浏览今日的糗百内容(任意键):')
        spider = Spider()
        spider.Launcher(url, recom)
        print('欢迎再次使用....')