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生成验证码实例
Aug 21 Python
利用Python演示数型数据结构的教程
Apr 03 Python
python3写爬取B站视频弹幕功能
Dec 22 Python
Django基础知识与基本应用入门教程
Jul 20 Python
python http基本验证方法
Dec 26 Python
python游戏地图最短路径求解
Jan 16 Python
Django学习笔记之为Model添加Action
Apr 30 Python
python多线程http压力测试脚本
Jun 25 Python
Python 中 -m 的典型用法、原理解析与发展演变
Nov 11 Python
使用Matplotlib绘制不同颜色的带箭头的线实例
Apr 17 Python
Python爬虫爬取新闻资讯案例详解
Jul 14 Python
解决numpy和torch数据类型转化的问题
May 23 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
PHP new static 和 new self详解
2017/02/19 PHP
Yii框架 session 数据库存储操作方法示例
2019/11/18 PHP
JavaScript 加号(+)运算符号
2009/12/06 Javascript
Javascript 面向对象 命名空间
2010/05/13 Javascript
(function($){...})(jQuery)的意思
2010/07/22 Javascript
深入理解JavaScript系列(15) 函数(Functions)
2012/04/12 Javascript
从阶乘函数对比Javascript和C#的异同
2012/05/31 Javascript
JavaScript String.replace函数参数实例说明
2013/06/06 Javascript
Jquery Uploadify上传带进度条的简单实例
2014/02/12 Javascript
再探JavaScript作用域
2014/09/24 Javascript
JS简单操作select和dropdownlist实例
2014/11/26 Javascript
html的DOM中Event对象onblur事件用法实例
2015/01/21 Javascript
举例简介AngularJS的内部语言环境
2015/06/17 Javascript
JavaScript中innerHTML,innerText,outerHTML的用法及区别
2015/09/01 Javascript
理解javascript对象继承
2016/04/17 Javascript
JQuery的常用选择器、过滤器、方法全面介绍
2016/05/25 Javascript
JavaScript解八皇后问题的方法总结
2016/06/12 Javascript
jQuery动态产生select option下拉列表
2017/03/15 Javascript
ES6中字符串string常用的新增方法小结
2017/11/07 Javascript
详解Angular6 热加载配置方案
2018/08/18 Javascript
VSCode使用之Vue工程配置eslint
2019/04/30 Javascript
基于js实现逐步显示文字输出代码实例
2020/04/02 Javascript
你所不知道的Python奇技淫巧13招【实用】
2016/12/14 Python
pandas 实现字典转换成DataFrame的方法
2018/07/04 Python
Python图像处理之gif动态图的解析与合成操作详解
2018/12/30 Python
Python多进程写入同一文件的方法
2019/01/14 Python
对Python3 pyc 文件的使用详解
2019/02/16 Python
Numpy数组array和矩阵matrix转换方法
2019/08/05 Python
pytorch-RNN进行回归曲线预测方式
2020/01/14 Python
浅析matlab中imadjust函数
2020/02/27 Python
Python爬虫中Selenium实现文件上传
2020/12/04 Python
澳大利亚家具和家居用品在线:BROSA
2017/11/02 全球购物
优衣库台湾官网:UNIQLO台湾
2019/02/01 全球购物
护士毕业生自我鉴定
2014/02/08 职场文书
监督检查工作方案
2014/05/28 职场文书
2016年情人节问候语
2015/11/11 职场文书