Python采集騰訊新聞實例
目標(biāo)是把騰訊新聞主頁上所有新聞爬取下來,獲得每一篇新聞的名稱、時間、來源以及正文。
接下來分解目標(biāo),一步一步地做。
步驟1:將主頁上所有鏈接爬取出來,寫到文件里。
python在獲取html方面十分方便,寥寥數(shù)行代碼就可以實現(xiàn)我們需要的功能。
page = urllib.urlopen(url)
html = page.read()
page.close()
return html
我們都知道html鏈接的標(biāo)簽是“a”,鏈接的屬性是“href”,也就是要獲得html中所有tag=a,attrs=href 值。
查閱了資料,一開始我打算用HTMLParser,而且也寫出來了。但是它有一個問題,就是遇到中文字符的時候無法處理。
class parser(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == 'a':
for attr, value in attrs:
if attr == 'href':
print value
后來使用了SGMLParser,它就沒有這個問題。
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針對某個標(biāo)簽都需要重載它的函數(shù),這里是把所有的鏈接放到該類的urls里。
lParser = URLParser()#分析器來的
socket = urllib.urlopen("http://news.qq.com/")#打開這個網(wǎng)頁
fout = file('urls.txt', 'w')#要把鏈接寫到這個文件里
lParser.feed(socket.read())#分析啦
reg = 'http://news.qq.com/a/.*'#這個是用來匹配符合條件的鏈接,使用正則表達式匹配
pattern = re.compile(reg)
for url in lParser.urls:#鏈接都存在urls里
if pattern.match(url):
fout.write(url+'\n')
fout.close()
這樣子就把所有符合條件的鏈接都保存到urls.txt文件里了。
步驟2:對于每一個鏈接,獲取它的網(wǎng)頁內(nèi)容。
很簡單,只需要打開urls.txt文件,一行一行地讀出來就可以了。
也許這里會顯得多此一舉,但是基于我對解耦的強烈愿望,我還是果斷地寫到文件里了。后面如果采用面向?qū)ο缶幊?,重?gòu)起來是十分方便的。
獲取網(wǎng)頁內(nèi)容部分也是相對簡單的,但是需要把網(wǎng)頁的內(nèi)容都保存到一個文件夾里。
這里有幾個新的用法:
os.getcwd()#獲得當(dāng)前文件夾路徑
os.path.sep#當(dāng)前系統(tǒng)路徑分隔符(是這個叫法嗎?)windows下是“\”,linux下是“/”
#判斷文件夾是否存在,如果不存在則新建一個文件夾
if os.path.exists('newsdir') == False:
os.makedirs('newsdir')
#str()用來將某個數(shù)字轉(zhuǎn)為字符串
i = 5
str(i)
有了這些方法,將字符串保存到某個文件夾下不同的文件就不再是一件困難的事了。
步驟3:枚舉每一個網(wǎng)頁,根據(jù)正則匹配獲得目標(biāo)數(shù)據(jù)。
下面的方法是用來遍歷文件夾的。
#這個是用來遍歷某個文件夾的
for parent, dirnames, filenames in os.walk(dir):
for dirname in dirnames
print parent, dirname
for filename in filenames:
print parent, filename
遍歷,讀取,匹配,結(jié)果就出來了。
我使用的數(shù)據(jù)提取的正則表達式是這樣的:
reg = '<div class="hd">.*?<h1>(.*?)</h1>.*?<span class="pubTime">(.*?)</span>.*?<a .*?>(.*?)</a>.*?<div id="Cnt-Main-Article-QQ" .*?>(.*?)</div>'
其實這個并不能匹配到騰訊網(wǎng)的所有新聞,因為上面的新聞有兩種格式,標(biāo)簽有一點差別,所以只能提取出一種。
另外一點就是通過正則表達式的提取肯定不是主流的提取方法,如果需要采集其他網(wǎng)站,就需要變更正則表達式,這可是一件比較麻煩的事情。
提取之后觀察可知,正文部分總是會參雜一些無關(guān)信息,比如“<script>...</script>”“<p></p>”等等。所以我再通過正則表達式將正文切片。
def func(str):#誰起的這個名字
strs = re.split("<style>.*?</style>|<script.*?>.*?</script>|&#[0-9]+;|<!--\[if !IE\]>.+?<!\[endif\]-->|<.*?>", str)#各種匹配,通過“|”分隔
ans = ''
#將切分的結(jié)果組合起來
for each in strs:
ans += each
return ans
這樣騰訊網(wǎng)上面的正文基本全部能夠提取出來。
到此整個采集也就結(jié)束了。
展示一下我提取到的結(jié)果(不使用自動換行,右邊隱藏了):
注意:
1、打開某個網(wǎng)址的時候,如果網(wǎng)址是壞的(打不開),若不處理則會報錯。我簡單地使用處理異常的方式,估計應(yīng)該有其他方式。
try:
socket = urllib.urlopen(url)
except:
continue
2、Python正則表達式中的“.”號,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的處理簡直優(yōu)雅到死啊!
line = line[0:-1]
相關(guān)文章
python 多進程并行編程 ProcessPoolExecutor的實現(xiàn)
這篇文章主要介紹了python 多進程并行編程 ProcessPoolExecutor的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10python fuzzywuzzy模塊模糊字符串匹配詳細用法
這篇文章主要介紹了使用Python完成公司名稱和地址的模糊匹配的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08關(guān)于Python作用域自學(xué)總結(jié)
在本文里我們給大家整理了關(guān)于python自學(xué)作用域的相關(guān)知識點以及實例代碼,需要的朋友們跟著學(xué)習(xí)下。2019-06-06python中使用numpy包的向量矩陣相乘np.dot和np.matmul實現(xiàn)
本文主要介紹了python中使用numpy包的向量矩陣相乘np.dot和np.matmul實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02python神經(jīng)網(wǎng)絡(luò)使用tensorflow實現(xiàn)自編碼Autoencoder
這篇文章主要為大家介紹了python神經(jīng)網(wǎng)絡(luò)使用tensorflow實現(xiàn)自編碼Autoencoder,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2022-05-05