Python多篇新闻自动采集
昨天用python写了一个天气预报采集,今天趁着兴头写个新闻采集的。
目标是,将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。
根据上一篇文章的方法,可以简单地获取到整个主页的文本内容。
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。
1 class parser(HTMLParser.HTMLParser): 2 def handle_starttag(self, tag, attrs): 3 if tag == 'a': 4 for attr, value in attrs: 5 if attr == 'href': 6 print value
后来使用了SGMLParser,它就没有这个问题。
1 class URLParser(SGMLParser): 2 def reset(self): 3 SGMLParser.reset(self) 4 self.urls = [] 5 6 def start_a(self,attrs): 7 href = [v for k,v in attrs if k=='href'] 8 if href: 9 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。
1 lParser = URLParser()#分析器来的 2 socket = urllib.urlopen("http://news.qq.com/")#打开这个网页 3 4 fout = file('urls.txt', 'w')#要把链接写到这个文件里 5 lParser.feed(socket.read())#分析啦 6 7 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 8 pattern = re.compile(reg) 9 10 for url in lParser.urls:#链接都存在urls里 11 if pattern.match(url): 12 fout.write(url+'\n') 13 14 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:
1 os.getcwd()#获得当前文件夹路径 2 os.path.sep#当前系统路径分隔符(是这个叫法吗?)windows下是“\”,linux下是“/” 3 4 #判断文件夹是否存在,如果不存在则新建一个文件夹 5 if os.path.exists('newsdir') == False: 6 os.makedirs('newsdir') 7 8 #str()用来将某个数字转为字符串 9 i = 5 10 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。
1 #这个是用来遍历某个文件夹的 2 for parent, dirnames, filenames in os.walk(dir): 3 for dirname in dirnames 4 print parent, dirname 5 for filename in filenames: 6 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。
1 def func(str):#谁起的这个名字 2 strs = re.split("<style>.*?</style>|<script.*?>.*?</script>|&#[0-9]+;|<!--\[if !IE\]>.+?<!\[endif\]-->|<.*?>", str)#各种匹配,通过“|”分隔 3 ans = '' 4 #将切分的结果组合起来 5 for each in strs: 6 ans += each 7 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):
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!
1 if line[-1] == '\n': 2 line = line[0:-1]
转载于:https://www.cnblogs.com/coltfoal/archive/2012/10/07/2714468.html
Python多篇新闻自动采集相关推荐
- python 自动编写新闻_Python多篇新闻自动采集
昨天用python写了一个天气预报采集,今天趁着兴头写个新闻采集的. 目标是,将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 ...
- python 采集新闻_Python多篇新闻自动采集
昨天用python写了一个天气预报采集,今天趁着兴头写个新闻采集的. 目标是,将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 ...
- python手游脚本自动采集_Python脚本结合UiAutomator自动化采集Activity的FPS
前置条件 python调试环境 Eclipse(Version: Luna Release (4.4.0))+pydev(3.7.0) UiAutomator 准备一个用于滑动被测试APP的UiAut ...
- Python实例篇:这样操作PDF文件一点都不枯燥了
前言 大家好,我是辣条 之前辣条有发布过我们常用的两个技能点,今天第三个技能点(PDF)他来了 <Python实例篇:自动操作Excel文件(既简单又特别实用)> <Python技巧 ...
- python爬取腾讯新闻_Python采集腾讯新闻实例
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 ...
- 全自动采集新闻站源码-单站自动采集新闻源码(seo标题伪原创)
简介: 单站自动采集新闻源码(seo标题伪原创),一款能够轻松搭建的网站源码资源,用户可以搭建一个自动的新闻采集网站,支持seo伪原创功能,能够自动采集并进行seo优化,帮助你节省不少的精力. 有相关 ...
- 用python实现苹果cms电影网站的自动采集
苹果cms电影网站的自动采集 用苹果cms搭建的电影网站,采集影片可以通过后台的自定义资源库链接资源网站.这种方式简单易操作.但是问题是采集的时候只有两种属性可以选择,一是可以选择影片类型,二是可以有 ...
- 使用python爬虫为wordpress采集内容 felix_python爬虫自动采集并上传更新网站 requests wordpress_xmlrpc wordpress实战...
爬虫用的 bs4+requests 上传用的 wordpress_xmlrpc #coded by 伊玛目的门徒 #coding=utf-8 from wordpress_xmlrpc import ...
- python Intel Realsense D435 图像自动采集程序 自动剔除模糊图像
代码: # -*- encoding: utf-8 -*- """ @File : save_image.py @Time : 2019/10/23 14:44 @Aut ...
最新文章
- STM32-超级终端显示日历
- php赋值权重_php权重计算方法代码分享
- Python3 中 random模块
- for命令linux,linux中的for命令
- 前端学习(2775):方式2进行路由跳转
- 需求、需求工程与需求工程师 — 2.需求的来源
- 一个很详细的web.xml讲解(转)
- (38)VHDL实现主从JK触发器
- FreeTreeView一个可添加、删除、修改的无限极树形结构
- MAGENTO DEBUG
- www.050604.pw ub.php,《UFIDA用友软件维护工具》050604版使用说明
- 最新Oreo支付系统平台完整源码+已全开源
- win10+ubuntu16.04双系统下完全删除并重装ubuntu16.04
- Origin复制图形格式
- java微信模板消息开发,微信公众号模板消息开发小结
- 大规模定制(Mass Customization,MC)
- python selenium下载图片_python 登陆开心网图片批量下载-selenium实现
- 为什么苹果手机拍照会模糊?一起来看手机维修师如何解决
- android sit0 ip6tnl0,USB wifi调试笔记
- Autodesk的照片建模云服务—Autodesk ReCap 360 photo
热门文章
- android message 代码,Android Handler移除Message详解及实例代码
- php中mysql_fetch_row_php中的mysql_fetch_row,mysql_fetch_array,mysql_fetch_object
- 傅里叶变换及其应用 pdf_级数的欧拉变换及其应用
- C语言预处理命令总结
- action mutation 调用_Vuex源码学习(六)action和mutation如何被调用的(前置准备篇)...
- python如何实现人工智能应用锁_如何清除应用锁的数据库
- vs如何写多线程_java中的多线程的示例
- 视频光端机音频出现噪音是为何?
- [渝粤教育] 广东-国家-开放大学 21秋期末考试工程经济10202k2
- 【渝粤教育】电大中专电商运营实操 (18)作业 题库