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

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)

 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()

 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)

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

reg = '<div class="hd">.*?<h1>(.*?)</h1>.*?<span class="pubTime">(.*?)</span>.*?<a .*?>(.*?)</a>.*?<div id="Cnt-Main-Article-QQ" .*?>(.*?)</div>'

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

try:socket = urllib.urlopen(url)
except:continue

1 if line[-1] == '\n':
2     line = line[0:-1]