正则匹配牛刀小试——一键抓取奇虎360新闻信息

继续爬虫的学习，为了致敬

http://blog.csdn.net/pleasecallmewhy/article/details/8932310  中why大神的糗事爬虫，我做了一个奇虎新闻的小爬虫，亲测可试，但是我这个爬虫还是单线程的，而且抓取的量也不是很多，而且是最基本的url特性抓取，还没有能力抓取url不变的网站消息。

首先说一下我要抓取的网站：360新闻搜索 - 搜一下,知天下 ，通过观察其url，不难看出来是

http://sh.qihoo.com/类别/index_页数.html 的结构，隐藏只需要把它抓取回来，依次用正则的方式匹配就行，废话不多说，上码。

#!/usr/bin/env python
#-*-coding:utf-8-*-

#---------------------------------------  
#   程序：奇虎360新闻爬虫
#   文件名：Qihoo360.py
#   作者：sysublackbear
#   日期：2014-03-30  
#   语言：Python
#   功能：将360中的新闻，链接及摘要输出并且保存到本地文件    
#---------------------------------------  

import urllib2
import urllib
import re
import string

#定义新闻的标签
tags = ['china','world','mil','ent','sports',\
        'internet','tech','finance','house','auto','edu','game',\
        'lady','health','society'] 

class Qihoo360News:
    #构造函数
    def __init__(self):
        self.start = 1   #默认开始从第一页开始
        self.end = 5 #默认结束页还是1

    #把某一页的标题和连接都放到字典上
    def getPage(self,tag,start,end):
        if tag not in tags:
            print '你所找的类别不存在!'
            return 
        if end > 5:
            end = 5
        url = "http://sh.qihoo.com/"+tag+"/"
        intro = '以下是'+tag+'抓取的结果'
        print intro
        for i in range(start,end+1):
            f = open('/home/dzhwen/python文件/Homework/urllib/qihoo/qihoo_'+tag+'_page_'+str(i)+'.txt','w+')
            id = '第'+str(i)+'页'
            print id.center(40)
            f.write(id.center(40)+'\n')
            if i == 1:
                myurl = url + "index.html"
            else:
                myurl = url + "index_" + str(i) + ".html"
            Response = urllib2.urlopen(myurl)
            Page = Response.read()
            myItems = re.findall('<div class="hd">.*?<h2><a href="(.*?)" target="_blank">(.*?)</a></h2>.*?<div class="bd">.*?<p>(.*?)<a',Page,re.S)
            #其中,re.S为多行匹配模式
            #输出同时写入文本
            temp = '*******************************************'
            for item in myItems:
                print temp
                f.write(temp + '\n')
                print '标题:',item[1]
                f.write('标题:'+item[1]+'\n')
                print 'From:',item[0]
                f.write('From:'+item[0]+'\n')
                print '摘要:',item[2]
                f.write('摘要:'+item[2]+'\n')
                print temp
            f.close()


if __name__ == '__main__':
    qihoo = Qihoo360News()
    menu="""
    请选择要抓取的类别：
    1——国内；2——国际；3——军事；4——娱乐；5——体育；6——互联网；7——科技；8——财经；
    9——房产；10——汽车；11——教育；12——游戏；13——女性；14——健康；15——社会；
    或者：？（慎用！！）
    一键全抓取？？(A)
    """
    print menu
    tag = raw_input("请选择:")
    if tag != 'A':
        start = raw_input("请选择开始页数(1——5）：")
        end = raw_input("请选择结束页数(1——5）:")
        qihoo.getPage(tags[int(tag)-1],int(start),int(end))
    else:
        for item in tags:
            qihoo.getPage(item,1,5)

 

就这样，请多多指教！