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中将阿拉伯数字转换成中文的实现代码
May 19 Python
django实现分页的方法
May 26 Python
python3抓取中文网页的方法
Jul 28 Python
python实现八大排序算法(2)
Sep 14 Python
Python实现判断给定列表是否有重复元素的方法
Apr 11 Python
Python中的函数作用域
May 07 Python
python中利用h5py模块读取h5文件中的主键方法
Jun 05 Python
flask框架视图函数用法示例
Jul 19 Python
python检测IP地址变化并触发事件
Dec 26 Python
python实现两个文件夹的同步
Aug 29 Python
在tensorflow中实现屏蔽输出的log信息
Feb 04 Python
Python保存并浏览用户的历史记录
Apr 29 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
打造计数器DIY三步曲(下)
2006/10/09 PHP
XHProf报告字段含义的解析
2016/05/17 PHP
在IE中调用javascript打开Excel的代码(downmoon原作)
2007/04/02 Javascript
Extjs407 getValue()和getRawValue()区别介绍
2013/05/21 Javascript
javascript实现画不相交的圆
2015/04/07 Javascript
AngularJS的内置过滤器详解
2015/05/14 Javascript
jquery实现浮动的侧栏实例
2015/06/25 Javascript
关于事件mouseover ,mouseout ,mouseenter,mouseleave的区别
2015/10/12 Javascript
静态页面html中跳转传值的JS处理技巧
2016/06/22 Javascript
AngularJs Forms详解及简单示例
2016/09/01 Javascript
jquery延迟对象解析
2016/10/26 Javascript
jQuery双向列表选择器select版
2016/11/01 Javascript
JS产生随机数的用法小结
2016/12/10 Javascript
探索Javascript中this的奥秘
2016/12/11 Javascript
利用js查找数组中指定元素并返回该元素的所有索引示例
2017/03/29 Javascript
jQuery条件分页 代替离线查询(附代码)
2017/08/17 jQuery
angularjs实现分页和搜索功能
2018/01/03 Javascript
vue中子组件向父组件传递数据的实例代码(实现加减功能)
2018/04/20 Javascript
seajs下require书写约定实例分析
2018/05/16 Javascript
JavaScript递归函数解“汉诺塔”算法代码解析
2018/07/05 Javascript
JavaScript中为事件指定处理程序的五种方式分析
2018/07/27 Javascript
Nuxt升级2.0.0时出现的问题(小结)
2018/10/08 Javascript
js实现3D旋转相册
2020/08/02 Javascript
Python使用cx_Oracle模块将oracle中数据导出到csv文件的方法
2015/05/16 Python
Python 文件处理注意事项总结
2017/04/10 Python
Python八大常见排序算法定义、实现及时间消耗效率分析
2018/04/27 Python
Django配置celery(非djcelery)执行异步任务和定时任务
2018/07/16 Python
Python之数据序列化(json、pickle、shelve)详解
2019/08/30 Python
SpringBoot首页设置解析(推荐)
2021/02/11 Python
css3实现3D文本悬停改变效果的示例代码
2019/01/16 HTML / CSS
英国国家美术馆商店:National Gallery
2019/05/01 全球购物
斯福泰克软件测试面试题
2015/02/16 面试题
公司委托书格式范文
2014/04/04 职场文书
店长岗位职责
2015/02/11 职场文书
高一化学教学反思
2016/02/22 职场文书
python模拟浏览器 使用selenium进入好友QQ空间并留言
2022/04/12 Python