python爬虫获取腾讯新闻正文标题内容,,python爬虫获取腾讯
python爬虫获取腾讯新闻正文标题内容,,python爬虫获取腾讯
python爬虫获取腾讯新闻正文标题内容1.[文件] downloadhtm2txt.py~3KB
#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()
编橙之家文章,
相关内容
- 对python异常函数进行重试数次,python函数重试,<对p
- 用python查找未注册的域名,python查找未注册,扫描看看哪
- python简单二叉树遍历代码,python二叉树,<python简单二
- python新手关于继承的练习代码,python新手继承,<pyth
- linux下使用python根据IP地址子网掩码计算网段,linuxpyt
- 用Python在指定目录搜索需要的文件名,python文件名,用
- python源码实现猜位置游戏,python源码猜位置,python源码实
- python代码来关闭显示器,python代码显示器,python代码来关
- Mac osx系统下python自动登录服务器,osxpython,Mac osx系统下
- 身份证号码解析python代码,解析python,身份证号码解析
评论关闭