python爬虫 ----文章爬虫（合理处理字符串中的\n\t\r........）

import urllib.request
import re
import time

num=input("输入日期（20150101000）：")



def openpage(url):
    html=urllib.request.urlopen(url)
    
    page=html.read().decode('gb2312')
    
    return page

def getpassage(page):
    passage = re.findall(r'<p class="MsoNormal" align="left">([\s\S]*)</FONT>',str(page))
    
    passage1=re.sub("</?\w+[^>]*>", "", str(passage))
    
    passage2=passage1.replace('\\r', '\r').replace('\\n', ' \n').replace('\\t','\t').replace(']','').replace('[','').replace('&nbsp;','   ')

    print(passage2)

    with open(load,'a',encoding='utf-8') as f:
        f.write("-----------------------------"+"日期"+str(date)+"---------------------------------\n"+passage2+"----------------------------------------------------\n")





for i in range(1,32):
    date=int(num)+int(i)
    print(date)
    load="C:/Users/home/Desktop/新建文本文档.txt"
    url=("http://www.hbuas.edu.cn/news/xyxw/news_"+str(date)+".htm")
    
　　
    try:

        page=openpage(url)

        getpassage(page)

        print("第"+str(i)+"号有文章，----已下载")
    except:
        print("第"+str(i)+"号无文章。")
    time.sleep(2)

 

写了一个爬学校新闻网的爬虫，

主要涉及   re正则   urllib.request   文件的写入  

在爬取文章时通常会返回很多影响美感的代码

 如下：

 

 优化：

两次正则    

passage = re.findall(r'<p align="left">([\s\S]*)</FONT>',str(page))       #第一次匹配字段
    
passage1=re.sub("</?\w+[^>]*>", "", str(passage))　　　　　　　　　　　　　　# 第二次去掉html标签

替换

passage2=passage1.replace('\\r', '\r').replace('\\n', ' \n').replace('\\t','\t').replace(']','').replace('[','').replace(' ','   ')

效果如下：

 

over！