Python采集騰訊新聞實例
目標(biāo)是把騰訊新聞主頁上所有新聞爬取下來，獲得每一篇新聞的名稱、時間、來源以及正文。
接下來分解目標(biāo)，一步一步地做。
步驟1：將主頁上所有鏈接爬取出來，寫到文件里。
python在獲取html方面十分方便，寥寥數(shù)行代碼就可以實現(xiàn)我們需要的功能。
page = urllib.urlopen(url)
html = page.read()
page.close()
return html
我們都知道html鏈接的標(biāo)簽是“a”，鏈接的屬性是“href”，也就是要獲得html中所有tag=a，attrs=href 值。
查閱了資料，一開始我打算用HTMLParser，而且也寫出來了。但是它有一個問題，就是遇到中文字符的時候無法處理。
class parser(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == 'a':
for attr, value in attrs:
if attr == 'href':
print value
后來使用了SGMLParser，它就沒有這個問題。
class URLParser(SGMLParser):
def reset(self):
SGMLParser.reset(self)
self.urls = []
def start_a(self,attrs):
href = [v for k,v in attrs if k=='href']
if href:
self.urls.extend(href)
SGMLParser針對某個標(biāo)簽都需要重載它的函數(shù)，這里是把所有的鏈接放到該類的urls里。
lParser = URLParser()#分析器來的
socket = urllib.urlopen("http://news.qq.com/")#打開這個網(wǎng)頁
fout = file('urls.txt', 'w')#要把鏈接寫到這個文件里
lParser.feed(socket.read())#分析啦
reg = 'http://news.qq.com/a/.*'#這個是用來匹配符合條件的鏈接，使用正則表達(dá)式匹配
pattern = re.compile(reg)
for url in lParser.urls:#鏈接都存在urls里
if pattern.match(url):
fout.write(url+'\n')
fout.close()
這樣子就把所有符合條件的鏈接都保存到urls.txt文件里了。
步驟2：對于每一個鏈接，獲取它的網(wǎng)頁內(nèi)容。
很簡單，只需要打開urls.txt文件，一行一行地讀出來就可以了。
也許這里會顯得多此一舉，但是基于我對解耦的強烈愿望，我還是果斷地寫到文件里了。后面如果采用面向?qū)ο缶幊蹋貥?gòu)起來是十分方便的。
獲取網(wǎng)頁內(nèi)容部分也是相對簡單的，但是需要把網(wǎng)頁的內(nèi)容都保存到一個文件夾里。
這里有幾個新的用法：
os.getcwd()#獲得當(dāng)前文件夾路徑
os.path.sep#當(dāng)前系統(tǒng)路徑分隔符（是這個叫法嗎？）windows下是“\”，linux下是“/”
#判斷文件夾是否存在，如果不存在則新建一個文件夾
if os.path.exists('newsdir') == False:
os.makedirs('newsdir')
#str()用來將某個數(shù)字轉(zhuǎn)為字符串
i = 5
str(i)
有了這些方法，將字符串保存到某個文件夾下不同的文件就不再是一件困難的事了。
步驟3：枚舉每一個網(wǎng)頁，根據(jù)正則匹配獲得目標(biāo)數(shù)據(jù)。
下面的方法是用來遍歷文件夾的。
#這個是用來遍歷某個文件夾的
for parent, dirnames, filenames in os.walk(dir):
for dirname in dirnames
print parent, dirname
for filename in filenames:
print parent, filename
遍歷，讀取，匹配，結(jié)果就出來了。
我使用的數(shù)據(jù)提取的正則表達(dá)式是這樣的：
reg = '<div class="hd">.*?<h1>(.*?)</h1>.*?<span class="pubTime">(.*?)</span>.*?<a .*?>(.*?)</a>.*?<div id="Cnt-Main-Article-QQ" .*?>(.*?)</div>'
其實這個并不能匹配到騰訊網(wǎng)的所有新聞，因為上面的新聞有兩種格式，標(biāo)簽有一點差別，所以只能提取出一種。
另外一點就是通過正則表達(dá)式的提取肯定不是主流的提取方法，如果需要采集其他網(wǎng)站，就需要變更正則表達(dá)式，這可是一件比較麻煩的事情。
提取之后觀察可知，正文部分總是會參雜一些無關(guān)信息，比如“<script>...</script>”“<p></p>”等等。所以我再通過正則表達(dá)式將正文切片。
def func(str):#誰起的這個名字
strs = re.split("<style>.*?</style>|<script.*?>.*?</script>|&#[0-9]+;|<!--\[if !IE\]>.+?<!\[endif\]-->|<.*?>", str)#各種匹配，通過“|”分隔
ans = ''
#將切分的結(jié)果組合起來
for each in strs:
ans += each
return ans
這樣騰訊網(wǎng)上面的正文基本全部能夠提取出來。
到此整個采集也就結(jié)束了。
展示一下我提取到的結(jié)果（不使用自動換行，右邊隱藏了）：
注意：
1、打開某個網(wǎng)址的時候，如果網(wǎng)址是壞的（打不開），若不處理則會報錯。我簡單地使用處理異常的方式，估計應(yīng)該有其他方式。
try:
socket = urllib.urlopen(url)
except:
continue
2、Python正則表達(dá)式中的“.”號，可以匹配任意字符，但是除了“\n”。
3、如何去除字符串末尾的“\n”？python的處理簡直優(yōu)雅到死?。?/p>
line = line[0:-1]
相關(guān)文章
這篇文章主要介紹了python字典的setdefault的巧妙用法,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-08-08
裝飾器本質(zhì)上是一個Python函數(shù),它可以讓其他函數(shù)在不需要做任何代碼變動的前提下增加額外功能,下面這篇文章主要給大家介紹了關(guān)于Python中裝飾器的基本功能,需要的朋友可以參考下2021-10-10
python 通過 socket 發(fā)送文件的實例代碼
這篇文章主要介紹了python 通過 socket 發(fā)送文件的實例代碼,非常不錯，具有一定的參考借鑒價值，需要的朋友可以參考下2018-08-08
在當(dāng)今數(shù)字化時代，數(shù)據(jù)分析和可視化已經(jīng)成為了企業(yè)和個人必備的技能，Python 作為一種高級編程語言，具有易學(xué)易用、高效快捷的特點，在數(shù)據(jù)科學(xué)領(lǐng)域中得到了廣泛應(yīng)用，本篇文章將介紹基于 Python 的數(shù)據(jù)分析與可視化2023-07-07
對python插入數(shù)據(jù)庫和生成插入sql的示例講解
今天小編就為大家分享一篇對python插入數(shù)據(jù)庫和生成插入sql的示例講解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-11-11
這篇文章主要介紹了Python命令行解析模塊詳解，分享了相關(guān)代碼示例，小編覺得還是挺不錯的，具有一定借鑒價值，需要的朋友可以參考下2018-02-02
在本篇內(nèi)容里小編給大家分享的是一篇關(guān)于python調(diào)用api實例講解內(nèi)容，有興趣的朋友們可以參考下。2021-04-04
這篇文章主要介紹了python創(chuàng)建臨時文件夾的方法,涉及Python基于tempfile模塊創(chuàng)建臨時文件夾的實現(xiàn)方法,需要的朋友可以參考下2015-07-07
python進(jìn)程的狀態(tài)、創(chuàng)建及使用方法詳解
這篇文章主要介紹了python進(jìn)程的狀態(tài)、創(chuàng)建及使用方法,結(jié)合實例形式詳細(xì)分析了Python進(jìn)程的概念、原理、工作狀態(tài)、創(chuàng)建以及使用方法,需要的朋友可以參考下2019-12-12
本文將教你如何在Django項目中正確配置日志(logging)，讓Django生成log日志文件，并在程序運行發(fā)生error級別故障時通知管理員。2021-04-04