欢迎加入Python学习交流QQ群：535993938 禁止闲聊 ！ 名额有限 ！ 非喜勿进 ！
欢迎加入Python学习交流QQ群：535993938 禁止闲聊 ！ 名额有限 ！ 非喜勿进 ！
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：
1 #coding=utf-8
2 import sys
3 import urllib2
4 import re
5 import os
6
7 def extract_url(info):
8 rege="http://news.qq.com/a/\d{8}/\d{6}.htm"
9 re_url = re.findall(rege, info)
10 return re_url
11
12 def extract_sub_web_title(sub_web):
13 re_key = "<title>.+</title>"
14 title = re.findall(re_key,sub_web)
15 return title
16
17 def extract_sub_web_content(sub_web):
18 re_key = "<div id=\"Cnt-Main-Article-QQ\".*</div>"
19 content = re.findall(re_key,sub_web)
20 return content
21
22 def filter_tags(htmlstr):
23 re_cdata=re.compile('//<!\[CDATA\[[^>]*//\]\]>',re.I) #匹配CDATA
24 re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)#Script
25 re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style
26 re_p=re.compile('<P\s*?/?>')#处理换行
27 re_h=re.compile('</?\w+[^>]*>')#HTML标签
28 re_comment=re.compile('<!--[^>]*-->')#HTML注释
29 s=re_cdata.sub('',htmlstr)#去掉CDATA
30 s=re_script.sub('',s) #去掉SCRIPT
31 s=re_style.sub('',s)#去掉style
32 s=re_p.sub('\r\n',s)#将<p>转换为换行
33 s=re_h.sub('',s) #去掉HTML 标签
34 s=re_comment.sub('',s)#去掉HTML注释
35 blank_line=re.compile('\n+')#去掉多余的空行
36 s=blank_line.sub('\n',s)
37 return s
38
39 #get news
40 content = urllib2.urlopen('http://news.qq.com').read()
41
42 #get the url
43 get_url = extract_url(content)
44
45 #generate file
46 f = file('result.txt','w')
47 i = 15 #新闻起始位置，前面几条格式不一致
48 flag = 30
49 while True:
50 f.write(str(i-14)+"\r\n")
51
52 #get the sub web title and content
53 sub_web = urllib2.urlopen(get_url[i]).read()
54 sub_title = extract_sub_web_title(sub_web)
55 sub_content = extract_sub_web_content(sub_web)
56
57 #remove html tag
58 if sub_title != [] and sub_content != []:
59 re_content = filter_tags(sub_title[0]+"\r\n"+sub_content[0])
60 f.write(re_content.decode("gb2312").encode("utf-8"))
61 f.write("\r\n")
62 else:
63 flag = flag +1
64
65 if i == flag:
66 break
67
68 i = i + 1
69 print "Have finished %d news" %(i-15)
70 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
欢迎加入Python学习交流QQ群：535993938 禁止闲聊 ！ 名额有限 ！ 非喜勿进 ！
欢迎加入Python学习交流QQ群：535993938 禁止闲聊 ！ 名额有限 ！ 非喜勿进 ！