获取腾讯新闻正文和标题内容,腾讯新闻正文标题,#coding=utf-
文章由Byrx.net分享于2019-03-23 09:03:21
获取腾讯新闻正文和标题内容,腾讯新闻正文标题,#coding=utf-
#coding=utf-8import urllib2import reimport os#this function from internet @littlebai#去掉特征字符串内的html操作符def filter_tags(htmlstr): re_cdata=re.compile('//<!\\[CDATA\\[[^>]*//\\]\\]>',re.I) #匹配CDATA re_script=re.compile('<\\s*script[^>]*>[^<]*<\\s*/\\s*script\\s*>',re.I)#Script re_style=re.compile('<\\s*style[^>]*>[^<]*<\\s*/\\s*style\\s*>',re.I)#style re_p=re.compile('<P\\s*?/?>')#处理换行 re_h=re.compile('</?\\w+[^>]*>')#HTML标签 re_comment=re.compile('<!--[^>]*-->')#HTML注释 s=re_cdata.sub('',htmlstr)#去掉CDATA s=re_script.sub('',s) #去掉SCRIPT s=re_style.sub('',s)#去掉style s=re_p.sub('\\r\\n',s)#将<p>转换为换行 s=re_h.sub('',s) #去掉HTML 标签 s=re_comment.sub('',s)#去掉HTML注释 blank_line=re.compile('\\n+')#去掉多余的空行 s=blank_line.sub('\\n',s) return s#设置下载文件的保存位置path = "E:\\\\news.qq.com\\\\a\\\\20120506\\\\"#匹配url规则rege = re.compile(r"/a/\\d{8}/\\d{6}.htm")#从主页获得所有存在的url链接的后半部分并排序urlcontent = urllib2.urlopen('http://news.qq.com/a/20120506/index.htm').read()get_url = rege.findall(urlcontent)get_url.sort()#根据所获得的url数量建立循环遍历所有url链接for i in xrange(0,len(get_url)): get_url[i] = "http://news.qq.com"+get_url[i]#完整链接 #异常处理:部分url链接打开延时或者无法打开则跳过此次循环 try:#异常跳出 sub_web = urllib2.urlopen(get_url[i]).read()#打开完整url链接,获取内容 except urllib2.URLError, e: print get_url[i][-10:-4]+' Failed' continue #下面开始内容操作 re_keyt = "<h1>.+</h1>"#获取标题,此处的标题不含腾讯新闻的后缀比较方便 title = re.findall(re_keyt,sub_web)#去掉标题左右的html标签 re_keyc = re.compile("<div id=\\"Cnt-Main-Article-QQ\\".*</P></div>\\n</div>",re.DOTALL)#匹配正文内容的正则(个别页面无法获得,见if块) content = re_keyc.findall(sub_web)#获得正文内容 #个别页面由于有视频或其他的无法匹配正文内容的正则表达式,所以无法获得内容,应给与过滤 if len(title)==0 or len(content)==0: continue re_content = filter_tags(title[0]+"\\r\\n"+content[0])#将标题和正文放到一起并去除html标签代码 w=file(path+get_url[i][-10:-4]+'.txt','w')#根据页面的文件名建立txt文件,并打开为写入方式 w.write(re_content)#写入获得的去除了html标签代码的标题和正文 w.close()#关闭文件 #命令行输出提示文件下载进度 print 'Completed the'+str(i+1)+" -Total "+str(len(get_url))+" THE "+get_url[i][-10:]#完成所有url链接的下载print "Fuck The Stupied Guy!!!!"#退出脚本exit()#该片段来自于http://byrx.net
相关内容
- python 3.3下结合tkinter做的猜数字程序,pythontkinter,3.3比大
- python Huffman树,pythonhuffman树,#!/usr/bin/p
- 多线程socket压力测试,socket压力测试,#!/user/bin/
- 通过动态代理生成基于gfwlist的动态代理脚本,,#!/usr/
- Learn Python By Practice — 正则表达式,pythonpractice,'''Crea
- 用urllib按照百度音乐分类下载mp3,urllib百度音乐mp3,用
- 从1到10的循环方式改进,10循环方式改进,刚看到有人分
- 极具个性的命令行通讯录,极具命令行通讯录,极具个性
- Learn Python By Practice — 文件读写,,import sysim
- python查询电影信息(通过豆瓣),python豆瓣,通过pytho
评论关闭