Python爬虫: 用urllib2写的抓取网页内容的简单示例

示例介绍:

    1.抓取晚安心语页面所有的标题。

    2.将每个分页的内容存入一个Txt文件

注意: 解决中文乱码问题

     存入含有中文字符串的内容时，需要先unicode一下。

源代码:

# coding=utf-8
import urllib2
import re
import os
import sys

#解决中文输出乱码问题，write(中文)时需要将中文unicode。 write(unicode('中文'))
reload(sys)
sys.setdefaultencoding('utf-8')

class Spider:
	'''
		这是一个简单的用于抓取'晚安心语'里的语句
		晚安心语的链接: http://www.vikilife.com/tag/晚安心语
	'''
	def __init__(self):
		self.url='http://www.vikilife.com/tag/%E6%99%9A%E5%AE%89%E5%BF%83%E8%AF%AD/page/'

	
	def load_url(self,pageNum):
		'''
			Send HTTP request to the special URL and get some useful information
		
		'''
		current_url= self.url + str(pageNum)
		user_agent='Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0'
		headers={'User-Agent':user_agent}
		
		#Send Http Request to URL 
		req = urllib2.Request(current_url,headers=headers)
		response = urllib2.urlopen(req)

		#Read HTML response
		html = response.read()
		
		#Get some useful information from the HTML
		pattern = re.compile(r'<h2>.*?title="(.*?)"',re.S)
		result_list = pattern.findall(html)

		#out put result list
		#print result_list

		#write result to log file
		self.write_result_log(result_list,pageNum)


	def write_result_log(self,result_list,pageNum):
		'''
			write result list to log file
		'''
	
		filePath= os.getcwd() + '/log/wananxinyu_'+str(pageNum)+'.log'
		
		file=open(filePath,'w')
		for result in result_list:
			file.write(unicode(result))
			file.write("\n")
		file.close()
		


if __name__=='__main__':
	spider=Spider()
	for pageNum in range(1,10):
		spider.load_url(pageNum)