python 学习（三）

 

按照上次python 学习（二）的思路，第一步要实现从一个网站的页面上自动获取指定列表中的信息。折腾数日，得到一段可以正常运行的代码，如下：

 

#web2.py

import re
import urllib.request

def get_msg_for_url(s):
    
    if s =='':
        print("not url!\n")
        exit()
    
    ah_whdeps_url = {"ahswht":"http://www.ahwh.gov.cn/"}
    
    msg_from={"ahswht":"http://www.ahwh.gov.cn/zz/shwhc/gzdt5/"}
    msg_re={"ahswht1":r'<div class="title"><a href="(.*)" title="(.*)" target="_blank">',
            "ahswht2":r'<div class="time">\[(.*)\]</div>'    }
    
    getTotalPageRe =r'共(.*)条 当前第(.*) 页</div>'
    
    res_url = 'aspx/doView.aspx?siteid=52&contentid=0&channelId=432&pchannelid=399&templateType=2&Page='
    response=urllib.request.urlopen(msg_from[s])
    html = response.read().decode("gbk")                    # 针对带汉字的网页进行解码

    gtpr = re.findall(getTotalPageRe, html)                    # 获取信息总条数和页数
    msg_totle = int(gtpr[0][0].strip())                      # get the numbers of message
    page_totle = int(gtpr[0][1].split('/')[1].strip())         # get the numbers of page
    
    m = 1
    
    filename = s+'.txt'
    f = open(filename,"w")
    
    for n in range(1, page_totle+1):
        response = urllib.request.urlopen(ah_whdeps_url["ahswht"]+res_url+str(n))
        html = response.read().decode('utf-8','ignore')
        
        gt = re.findall(msg_re[s+'1'], html)                #抽取url页面中新闻的标题、网址
        
        gd = re.findall(msg_re[s+'2'], html)                #抽取url页面中的发布时间
    
        for i in range(0,len(gt),1):
            try:
                f.write('%d\n%s\n%s\n%s\n'%(m,ah_whdeps_url[s]+gt[i][0][1:], gt[i][1], gd[i]))
                m += 1
            except UnicodeEncodeError as e:
                pass        
    
    print("There are %d messages to be saved!"%(m-1))
    f.close()    
    

def main():
    get_msg_for_url("ahswht")
    
if __name__=="__main__":
    main()

 

代码功能说明：第12行，定义指定网站；第14行定义指定网页。第15行定义抽取信息的正则表达式，这里是获取每条信息的标题及网址，如下图。第16行，定义抽取每条信息发布时间的正则表达式。

15     msg_re={"ahswht1":r'<div class="title"><a href="(.*)" title="(.*)" target="_blank">',
16             "ahswht2":r'<div class="time">\[(.*)\]</div>'    }

第18-26行：获取这个列表所有信息的条数以及页面数。方法是通过分析页上的一个特定字符串：“共?条 当前第?页”。第25行得到信息总条数，第26行得到页面数。

第30-40行：获取该列表下所有信息，并以[行号\n链接\n标题\n发布时间\n]的形式，保存到一个文本文件（如下图）中。

 

个人难点：写这段代码花费时间最长的地方是第35行，即网页上字符的编码与解码问题。现在是权宜之计，直接无视，即一旦发现某个标题行的字符串解码不出来，就跳到下一个标题上去，而不是让程序中断。html = response.read().decode('utf-8','ignore')  我们的口号是：“先让程序动起来，再让它跑得快!” 

——————————————————————

既然这段代码可以实现原来设想的功能，下一步的事情就是在这段代码的基础上进行启动了。 

下面的第一步，可以将指定页面的正则表达式独立出来，不在程序中硬编码，而是保存在另外一个独立的文本文件。这样的话，如果要获取另外一个网站指定栏目下面的信息，只需要在文本文件中添加相应的规则即可，不必再重要写代码。

如此一来，整个项目就比较清楚地划分为三个部分：一是输入文件；二是处理模块；三是输出文件。其中，输入文件定义获取信息的规则，处理模块负责从输入文件中读取信息提取规则，按照规则获取相关信息，再将获得的信息按固定格式，存入指定输出文件；输出文件保存信息。