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
利用soaplib搭建webservice详细步骤和实例代码
Nov 20 Python
零基础学Python(一)Python环境安装
Aug 20 Python
Python写的服务监控程序实例
Jan 31 Python
在Python中使用poplib模块收取邮件的教程
Apr 29 Python
python检查URL是否正常访问的小技巧
Feb 25 Python
Python排序搜索基本算法之堆排序实例详解
Dec 08 Python
浅谈Tensorflow由于版本问题出现的几种错误及解决方法
Jun 13 Python
详解多线程Django程序耗尽数据库连接的问题
Oct 08 Python
python检测IP地址变化并触发事件
Dec 26 Python
Python3转换html到pdf的不同解决方案
Mar 11 Python
Python插入Elasticsearch操作方法解析
Jan 19 Python
利用pyecharts读取csv并进行数据统计可视化的实现
Apr 17 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
dedecms系统的广告设置代码 基础版本
2010/04/09 PHP
PHP防盗链代码实例
2014/08/27 PHP
php实现多维数组排序的方法示例
2017/03/23 PHP
PHP简单实现二维数组的矩阵转置操作示例
2017/11/24 PHP
PHP7.1实现的AES与RSA加密操作示例
2018/06/15 PHP
node.js中的buffer.Buffer.isBuffer方法使用说明
2014/12/14 Javascript
js实现按钮控制图片360度翻转特效的方法
2015/02/17 Javascript
jQuery实现按钮的点击 全选/反选 单选框/复选框 文本框 表单验证
2015/06/25 Javascript
基于node实现websocket协议
2016/04/25 Javascript
纯js实现倒计时功能
2017/01/06 Javascript
JQ中$(window).load和$(document).ready区别与执行顺序
2017/03/01 Javascript
vue中阻止click事件冒泡,防止触发另一个事件的方法
2018/02/08 Javascript
angularJS1 url中携带参数的获取方法
2018/10/09 Javascript
在Vue中用canvas实现二维码和图片合成海报的方法
2019/06/10 Javascript
js将URL网址转为16进制加密与解密函数
2020/03/04 Javascript
Python使用pylab库实现画线功能的方法详解
2017/06/08 Python
Pyinstaller将py打包成exe的实例
2018/03/31 Python
Python 存储字符串时节省空间的方法
2019/04/23 Python
Django 模型类(models.py)的定义详解
2019/07/19 Python
Django对models里的objects的使用详解
2019/08/17 Python
python使用列表的最佳方案
2020/08/12 Python
python3:excel操作之读取数据并返回字典 + 写入的案例
2020/09/01 Python
英国的屈臣氏:Boots博姿
2017/12/23 全球购物
GANT葡萄牙官方商店:拥有美国运动服传统的生活方式品牌
2018/10/18 全球购物
Wallis官网:英国女装零售商
2020/01/21 全球购物
shell程序中如何注释
2012/01/28 面试题
2014年会策划方案
2014/05/11 职场文书
企业宣传工作方案
2014/06/02 职场文书
教师对照四风自我剖析材料
2014/09/30 职场文书
2014小学教师个人工作总结
2014/11/10 职场文书
催款函怎么写
2015/06/24 职场文书
php 解析非标准json、非规范json
2021/04/01 PHP
如何使用flask将模型部署为服务
2021/05/13 Python
用Python创建简易网站图文教程
2021/06/11 Python
详解Flask开发技巧之异常处理
2021/06/15 Python
Java8 Stream API 提供了一种高效且易于使用的处理数据的方式
2022/04/13 Java/Android