一小段python爬虫代码获取腾讯新闻正文标题内容(附源码)

#coding=utf-8

import urllib2

import re

import os

#this function from internet @littlebai

#去掉特征字符串内的html操作符

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

#设置下载文件的保存位置

path = "E:\\news.qq.com\\a\\20120506\\"

#匹配url规则

rege = re.compile(r"/a/\d{8}/\d{6}.htm")

#从主页获得所有存在的url链接的后半部分并排序

urlcontent = urllib2.urlopen('http://news.qq.com/a/20120506/index.htm').read()

get_url = rege.findall(urlcontent)

get_url.sort()

#根据所获得的url数量建立循环遍历所有url链接

for i in xrange(0,len(get_url)):

get_url[i] = "http://news.qq.com"+get_url[i]#完整链接

#异常处理：部分url链接打开延时或者无法打开则跳过此次循环

try:#异常跳出

sub_web = urllib2.urlopen(get_url[i]).read()#打开完整url链接，获取内容

except urllib2.URLError, e:

print get_url[i][-10:-4]+' Failed'

continue

#下面开始内容操作

re_keyt = "<h1>.+</h1>"#获取标题，此处的标题不含腾讯新闻的后缀比较方便

title = re.findall(re_keyt,sub_web)#去掉标题左右的html标签

re_keyc = re.compile("<div id=\"Cnt-Main-Article-QQ\".*</P></div>\n</div>",re.DOTALL)#匹配正文内容的正则（个别页面无法获得，见if块）

content = re_keyc.findall(sub_web)#获得正文内容

#个别页面由于有视频或其他的无法匹配正文内容的正则表达式，所以无法获得内容，应给与过滤

if len(title)==0 or len(content)==0:

continue

re_content = filter_tags(title[0]+"\r\n"+content[0])#将标题和正文放到一起并去除html标签代码

w=file(path+get_url[i][-10:-4]+'.txt','w')#根据页面的文件名建立txt文件，并打开为写入方式

w.write(re_content)#写入获得的去除了html标签代码的标题和正文

w.close()#关闭文件

#命令行输出提示文件下载进度

print 'Completed the'+str(i+1)+" -Total "+str(len(get_url))+" THE "+get_url[i][-10:]

#完成所有url链接的下载

print "Fuck The Stupied Guy!!!!"

#退出脚本

exit()