Python采集实例2

Posted yangjiyue

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采集实例2相关的知识,希望对你有一定的参考价值。

上一篇说道我们要采集http://www.gg4493.cn/的数据,接下来:

步骤2:对于每一个链接,获取它的网页内容。

很简单,只需要打开urls.txt文件,一行一行地读出来就可以了。
也许这里会显得多此一举,但是基于我对解耦的强烈愿望,我还是果断地写到文件里了。后面如果采用面向对象编程,重构起来是十分方便的。
获取网页内容部分也是相对简单的,但是需要把网页的内容都保存到一个文件夹里。
这里有几个新的用法:
复制代码 代码如下:


os.getcwd()#获得当前文件夹路径
os.path.sep#当前系统路径分隔符(是这个叫法吗?)windows下是“\”,linux下是“/”
#判断文件夹是否存在,如果不存在则新建一个文件夹
if os.path.exists(‘newsdir‘) == False:
    os.makedirs(‘newsdir‘)
#str()用来将某个数字转为字符串
i = 5
str(i)
有了这些方法,将字符串保存到某个文件夹下不同的文件就不再是一件困难的事了。
步骤3:枚举每一个网页,根据正则匹配获得目标数据。
下面的方法是用来遍历文件夹的。
复制代码 代码如下:


 #这个是用来遍历某个文件夹的
 for parent, dirnames, filenames in os.walk(dir):
     for dirname in dirnames
         print parent, dirname
     for filename in filenames:
         print parent, filename
遍历,读取,匹配,结果就出来了。
我使用的数据提取的正则表达式是这样的:
复制代码 代码如下:


reg = ‘<div class="hd">.*?<h1>(.*?)</h1>.*?<span class="pubTime">(.*?)</span>.*?<a .*?>(.*?)</a>.*?<div id="Cnt-Main-Article-QQ" .*?>(.*?)</div>‘
其实这个并不能匹配到所有内容,因为上面的新闻有两种格式,标签有一点差别,所以只能提取出一种。
另外一点就是通过正则表达式的提取肯定不是主流的提取方法,如果需要采集其他网站,就需要变更正则表达式,这可是一件比较麻烦的事情。
提取之后观察可知,正文部分总是会参杂一些无关信息,比如“<script>...</script>”“<p></p>”等等。所以我再通过正则表达式将正文切片。
复制代码 代码如下:


def func(str):#谁起的这个名字
    strs = re.split("<style>.*?</style>|<script.*?>.*?</script>|&#[0-9]+;|<!--

if!IE

>.+?<!

endif

-->|<.*?>", str)#各种匹配,通过“|”分隔
    ans = ‘‘
    #将切分的结果组合起来
    for each in strs:
        ans += each
    return ans
这样网页上面的正文基本全部能够提取出来。
到此整个采集也就结束了。

来源:http://www.m4493.com
















































以上是关于Python采集实例2的主要内容,如果未能解决你的问题,请参考以下文章

Python采集实例1

2Python IDLE入门

python学习-2python起步必备

2Python语法基础

2python算数操作符

Python之禅---2python介绍和应用场景介绍