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）：

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]