python 爬取文章
这里我们利用强大的python爬虫来爬取一篇文章。仅仅做一个示范，更高级的用法还要大家自己实践。
好了，这里就不啰嗦了，找到一篇文章的url地址：http://www.duanwenxue.com/article/673911.html
（注意，有一些网站会做一些反爬处理，关于这些网站的爬取会在近期的文章中说明）
这是一篇散文，）
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" /> 可知网页的编码方式为GB2312
但在解码是要decode（’GB18030‘），
具体说明：http://www.cnblogs.com/jjj-fly/p/6696523.html
下面开始实现代码：
1 #coding=GB18030 2 import urllib.request 3 from bs4 import BeautifulSoup 4 import re 5 6 url="http://www.duanwenxue.com/article/673911.html" 7 a=urllib.request.urlopen(url) 8 9 htmlstr=a.read().decode('GB18030') 10 11 soup=BeautifulSoup(htmlstr,'html.parser') 12 13 y=re.compile(r'<p>([\s\S]*?)</p>') 14 text=y.findall(str(soup)) #第一次正则表达式筛选所有<p></p>中的内容 15 16 x='' 17 print(len(text)) 18 for i in range(0,len(text)): 19 x=x+text[i] 20 21 text1=re.sub("</?\w+[^>]*>",'',x) #去掉html标签 22 23 text2=text1.replace("。",'。\n\n\0\0') #让文本更好看 24 print(text2)
输出结果
over!
参考：http://www.cnblogs.com/jjj-fly/p/6901022.html
