Python 实现腾讯新闻抓取

原文地址:http://www.cnblogs.com/rails3/archive/2012/08/14/2636780.htm

思路：

1.抓取腾讯新闻列表页面: http://news.qq.com/

2.提取详细页面的url：http://news.qq.com/a/20120814/000070.htm

3.在详细页中提取新闻标题和内容

4.去除提取内容中的html标签，生成txt文档

代码：

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

def extract_url(info):
    rege="http://news.qq.com/a/\d{8}/\d{6}.htm"
    re_url = re.findall(rege, info)
    return re_url

def extract_sub_web_title(sub_web):
    re_key = "<title>.+</title>"
    title = re.findall(re_key,sub_web)
    return title

def extract_sub_web_content(sub_web):
    re_key = "<div id=\"Cnt-Main-Article-QQ\".*</div>"
    content = re.findall(re_key,sub_web)
    return content

def filter_tags(htmlstr):
    re_cdata=re.compile('//<!\[CDATA\[[^>]*//\]\]>',re.I) #匹配CDATA
    re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)#Script
    re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style
    re_p=re.compile('<P\s*?/?>')#处理换行
    re_h=re.compile('</?\w+[^>]*>')#HTML标签
    re_comment=re.compile('<!--[^>]*-->')#HTML注释
    s=re_cdata.sub('',htmlstr)#去掉CDATA
    s=re_script.sub('',s) #去掉SCRIPT
    s=re_style.sub('',s)#去掉style
    s=re_p.sub('\r\n',s)#将<p>转换为换行
    s=re_h.sub('',s) #去掉HTML 标签
    s=re_comment.sub('',s)#去掉HTML注释  
    blank_line=re.compile('\n+')#去掉多余的空行
    s=blank_line.sub('\n',s)
    return s

#get news
content = urllib2.urlopen('http://news.qq.com').read()

#get the url
get_url = extract_url(content)

#generate file
f = file('result.txt','w')
i = 15            #新闻起始位置，前面几条格式不一致
flag = 30
while True:
    f.write(str(i-14)+"\r\n")
    
    #get the sub web title and content
    sub_web = urllib2.urlopen(get_url[i]).read()
    sub_title = extract_sub_web_title(sub_web)
    sub_content = extract_sub_web_content(sub_web)

    #remove html tag
    if sub_title != [] and sub_content != []:
        re_content = filter_tags(sub_title[0]+"\r\n"+sub_content[0])
        f.write(re_content.decode("gb2312").encode("utf-8"))
        f.write("\r\n")
    else:
        flag = flag +1
    
    if i == flag:
        break
 
    i = i + 1
    print "Have finished %d news" %(i-15)
f.close()

说明：

urllib2模块：进行网页内容抓取
re模块：进行正则表达式提取
decode("gb2312").encode("utf-8")：因为提取网页的编码是gb2312所以要解码后在编码到utf-8显示
filter_tags：去除提取的内容的html标签，baidu可以找到这个函数，又修改了下

 

调试中遇到的问题：

1.Table 'polls.django_admin_log' doesn't exist
今天没事调试一下DJANGO框架的时候官方的例子出现如下错误在这记录一下吧~！

原因：数据库未同步

解决方法：python manage.py syncdb

 

2.IndentationError: unexpected indent python

原因：缩进错误

解决方法：删除缩进，统一用tab，注意tab设置为4空格

 

3.[Errno 9] Bad file descriptor

原因：读文件用了 fileopen(filename,”w”)

解决方法：fileopen(filename,”r”)

 

4. IndexError: list index out of range

原因：for i in range(len(List))

del len(List)

在动态删除List过程中越界

解决办法：不要动态删除，采用两个List操作

 

5.TypeError: expected string or buffer
原因：re_h=re.compile('</?\w+[^>]*>')
s=re_h.sub('',str)

传入的str是list变量导致出错

解决办法：传入str类型变量

 

附：我的vim设置

要在 ~ 目录下(即用户根目录)新建 .vimrc，这样对其它用户不影响

syntax on
set fileencodings=utf-8,cp936,big5,euc-jp,euc-kr,latin1,ucs-bom 
set fileencodings=utf-8,gbk 
set ambiwidth=double
set langmenu=zh_CN.UTF-8
set mouse=a
set nu
set foldmethod=indent
set sw=4
set ts=4
set smarttab
set spell
set tw=78
set lbr
set fo+=mB
set t_Co=256          //颜色覆盖问题，默认的效果太差
colorscheme  default   //配色方案

 

l

syntax on
set fileencodings=utf-8,cp936,big5,euc-jp,euc-kr,latin1,ucs-bom
set fileencodings=utf-8,gbk
set ambiwidth=double
set langmenu=zh_CN.UTF-8
set mouse=a
set nu
set foldmethod=indent
set sw=4
set ts=4
set smarttab
set spell
set tw=78
set lbr
set fo+=mB
set t_Co=256          //颜色覆盖问题，默认的效果太差
colorscheme  default   //配色方案