Python采集腾讯新闻实例


Posted in Python onJuly 10, 2014

目标是把腾讯新闻主页上所有新闻爬取下来,获得每一篇新闻的名称、时间、来源以及正文。

接下来分解目标,一步一步地做。

步骤1:将主页上所有链接爬取出来,写到文件里。

python在获取html方面十分方便,寥寥数行代码就可以实现我们需要的功能。

def getHtml(url):

     page = urllib.urlopen(url)

     html = page.read()

     page.close()

     return html

我们都知道html链接的标签是“a”,链接的属性是“href”,也就是要获得html中所有tag=a,attrs=href 值。

查阅了资料,一开始我打算用HTMLParser,而且也写出来了。但是它有一个问题,就是遇到中文字符的时候无法处理。

 class parser(HTMLParser.HTMLParser):

     def handle_starttag(self, tag, attrs):

             if tag == 'a':

             for attr, value in attrs:

                 if attr == 'href':

                     print value

后来使用了SGMLParser,它就没有这个问题。
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针对某个标签都需要重载它的函数,这里是把所有的链接放到该类的urls里。

lParser = URLParser()#分析器来的

socket = urllib.urlopen("http://news.qq.com/")#打开这个网页
fout = file('urls.txt', 'w')#要把链接写到这个文件里

lParser.feed(socket.read())#分析啦
reg = 'http://news.qq.com/a/.*'#这个是用来匹配符合条件的链接,使用正则表达式匹配

pattern = re.compile(reg)
for url in lParser.urls:#链接都存在urls里

    if pattern.match(url):

        fout.write(url+'\n')
fout.close()

这样子就把所有符合条件的链接都保存到urls.txt文件里了。

步骤2:对于每一个链接,获取它的网页内容。

很简单,只需要打开urls.txt文件,一行一行地读出来就可以了。

也许这里会显得多此一举,但是基于我对解耦的强烈愿望,我还是果断地写到文件里了。后面如果采用面向对象编程,重构起来是十分方便的。

获取网页内容部分也是相对简单的,但是需要把网页的内容都保存到一个文件夹里。

这里有几个新的用法:

os.getcwd()#获得当前文件夹路径

os.path.sep#当前系统路径分隔符(是这个叫法吗?)windows下是“\”,linux下是“/”
#判断文件夹是否存在,如果不存在则新建一个文件夹

if os.path.exists('newsdir') == False:

    os.makedirs('newsdir')
#str()用来将某个数字转为字符串

i = 5

str(i)

有了这些方法,将字符串保存到某个文件夹下不同的文件就不再是一件困难的事了。

步骤3:枚举每一个网页,根据正则匹配获得目标数据。

下面的方法是用来遍历文件夹的。

 #这个是用来遍历某个文件夹的

 for parent, dirnames, filenames in os.walk(dir):

     for dirname in dirnames

         print parent, dirname

     for filename in filenames:

         print parent, filename

遍历,读取,匹配,结果就出来了。

我使用的数据提取的正则表达式是这样的:

reg = '<div class="hd">.*?<h1>(.*?)</h1>.*?<span class="pubTime">(.*?)</span>.*?<a .*?>(.*?)</a>.*?<div id="Cnt-Main-Article-QQ" .*?>(.*?)</div>'

其实这个并不能匹配到腾讯网的所有新闻,因为上面的新闻有两种格式,标签有一点差别,所以只能提取出一种。

另外一点就是通过正则表达式的提取肯定不是主流的提取方法,如果需要采集其他网站,就需要变更正则表达式,这可是一件比较麻烦的事情。

提取之后观察可知,正文部分总是会参杂一些无关信息,比如“<script>...</script>”“<p></p>”等等。所以我再通过正则表达式将正文切片。

def func(str):#谁起的这个名字

    strs = re.split("<style>.*?</style>|<script.*?>.*?</script>|&#[0-9]+;|<!--\[if !IE\]>.+?<!\[endif\]-->|<.*?>", str)#各种匹配,通过“|”分隔

    ans = ''

    #将切分的结果组合起来

    for each in strs:

        ans += each

    return ans

这样腾讯网上面的正文基本全部能够提取出来。

到此整个采集也就结束了。

展示一下我提取到的结果(不使用自动换行,右边隐藏了):

Python采集腾讯新闻实例

注意:

1、打开某个网址的时候,如果网址是坏的(打不开),若不处理则会报错。我简单地使用处理异常的方式,估计应该有其他方式。

try:

    socket = urllib.urlopen(url)

except:

    continue

2、Python正则表达式中的“.”号,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的处理简直优雅到死啊!

if line[-1] == '\n':

    line = line[0:-1]
Python 相关文章推荐
Python中下划线的使用方法
Mar 27 Python
Python 获取当前所在目录的方法详解
Aug 02 Python
Python使用functools实现注解同步方法
Feb 06 Python
python实现贪吃蛇小游戏
Mar 21 Python
pandas 数据结构之Series的使用方法
Jun 21 Python
Django项目基础配置和基本使用过程解析
Nov 25 Python
Python3将jpg转为pdf文件的方法示例
Dec 13 Python
Python实现爬取并分析电商评论
Jun 19 Python
Python  word实现读取及导出代码解析
Jul 09 Python
Python实现简单的猜单词
Jun 15 Python
Python函数中的不定长参数相关知识总结
Jun 24 Python
python实现学员管理系统(面向对象版)
Jun 05 Python
使用wxpython实现的一个简单图片浏览器实例
Jul 10 #Python
Python语言的12个基础知识点小结
Jul 10 #Python
使用Python获取Linux系统的各种信息
Jul 10 #Python
Django中实现一个高性能计数器(Counter)实例
Jul 09 #Python
python实现的登录和操作开心网脚本分享
Jul 09 #Python
python实现的一个火车票转让信息采集器
Jul 09 #Python
python的描述符(descriptor)、装饰器(property)造成的一个无限递归问题分享
Jul 09 #Python
You might like
一步一步学习PHP(2)――PHP类型
2010/02/15 PHP
PHP下利用shell后台运行PHP脚本,并获取该脚本的Process ID的代码
2011/09/19 PHP
解析PHP中VC6 X86和VC9 X86的区别及 Non Thread Safe的意思
2013/06/28 PHP
laravel 解决ajax异步提交数据,并还回填充表格的问题
2019/10/15 PHP
高效的表格行背景隔行变色及选定高亮的JS代码
2010/12/04 Javascript
基于jquery的内容循环滚动小模块(仿新浪微博未登录首页滚动微博显示)
2011/03/28 Javascript
使用jquery解析XML的方法
2014/09/05 Javascript
jQuery后代选择器用法实例
2014/12/23 Javascript
JS返回iframe中frameBorder属性值的方法
2015/04/01 Javascript
nodejs通过phantomjs实现下载网页
2015/05/04 NodeJs
jquery实现从数组移除指定的值
2015/06/24 Javascript
微信小程序 数据绑定详解及实例
2016/10/25 Javascript
vue实现添加标签demo示例代码
2017/01/21 Javascript
js实现手机发送验证码功能
2017/03/13 Javascript
Vue中v-show添加表达式的问题(判断是否显示)
2018/03/26 Javascript
Vue中 v-if/v-show/插值表达式导致闪现的原因及解决办法
2018/10/12 Javascript
js实现倒计时秒杀效果
2020/03/25 Javascript
基于js实现数组相邻元素上移下移
2020/05/19 Javascript
Nuxt.js的路由跳转操作(页面跳转nuxt-link)
2020/11/06 Javascript
以911新闻为例演示Python实现数据可视化的教程
2015/04/23 Python
python实现内存监控系统
2021/03/07 Python
python 使用plt画图,去除图片四周的白边方法
2019/07/09 Python
python对指定字符串逆序的6种方法(小结)
2020/04/02 Python
详解Html5 Canvas画线有毛边解决方法
2018/03/01 HTML / CSS
阿根廷票务网站:StubHub阿根廷
2018/04/13 全球购物
SQL Server提供的3种恢复模型都是什么? 有什么区别?
2012/05/13 面试题
写求职信有哪些注意事项
2014/05/08 职场文书
民主评议党员工作总结
2014/10/20 职场文书
党员四风问题个人对照检查材料
2014/10/26 职场文书
公务员年度考核评语
2014/12/31 职场文书
中学社团活动总结
2015/05/07 职场文书
小学校园广播稿
2015/08/18 职场文书
PHP控制循环操作的时间
2021/04/01 PHP
Python实现智慧校园自动评教全新版
2021/06/18 Python
Ajax实现异步加载数据
2021/11/17 Javascript
Tomcat执行startup.bat出现闪退的原因及解决办法
2022/04/20 Servers