这篇文章主要介绍了Python采集腾讯新闻实例,一个简单的例子,着重于实现步骤的讲解,需要的朋友可以参考下
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。
代码如下:
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
page.close()
return html
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。
代码如下:
class parser(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == ‘a’:
for attr, value in attrs:
if attr == ‘href’:
print value
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)
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。
代码如下:
lParser = URLParser()#分析器来的
socket = urllib.urlopen(“http://news.qq.com/”)#打开这个网页
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()
以上就是Python采集腾讯新闻实例的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Python采集腾讯新闻实例
转载请注明原文链接：Python采集腾讯新闻实例
