python爬虫 ----文章爬虫(合理处理字符串中的 ........)
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬虫 ----文章爬虫(合理处理字符串中的 ........)相关的知识,希望对你有一定的参考价值。
import urllib.request import re import time num=input("输入日期(20150101000):") def openpage(url): html=urllib.request.urlopen(url) page=html.read().decode(‘gb2312‘) return page def getpassage(page): passage = re.findall(r‘<p class="MsoNormal" align="left">([\\s\\S]*)</FONT>‘,str(page)) passage1=re.sub("</?\\w+[^>]*>", "", str(passage)) passage2=passage1.replace(‘\\\\r‘, ‘\\r‘).replace(‘\\\\n‘, ‘ \\n‘).replace(‘\\\\t‘,‘\\t‘).replace(‘]‘,‘‘).replace(‘[‘,‘‘).replace(‘ ‘,‘ ‘) print(passage2) with open(load,‘a‘,encoding=‘utf-8‘) as f: f.write("-----------------------------"+"日期"+str(date)+"---------------------------------\\n"+passage2+"----------------------------------------------------\\n") for i in range(1,32): date=int(num)+int(i) print(date) load="C:/Users/home/Desktop/新建文本文档.txt" url=("http://www.hbuas.edu.cn/news/xyxw/news_"+str(date)+".htm")
try: page=openpage(url) getpassage(page) print("第"+str(i)+"号有文章,----已下载") except: print("第"+str(i)+"号无文章。") time.sleep(2)
写了一个爬学校新闻网的爬虫,
主要涉及 re正则 urllib.request 文件的写入
在爬取文章时通常会返回很多影响美感的代码
如下:
优化:
两次正则
passage = re.findall(r‘<p align="left">([\\s\\S]*)</FONT>‘,str(page)) #第一次匹配字段 passage1=re.sub("</?\\w+[^>]*>", "", str(passage)) # 第二次去掉html标签
替换
passage2=passage1.replace(‘\\\\r‘, ‘\\r‘).replace(‘\\\\n‘, ‘ \\n‘).replace(‘\\\\t‘,‘\\t‘).replace(‘]‘,‘‘).replace(‘[‘,‘‘).replace(‘ ‘,‘ ‘)
效果如下:
over!
以上是关于python爬虫 ----文章爬虫(合理处理字符串中的 ........)的主要内容,如果未能解决你的问题,请参考以下文章