• 1)④爬取新浪军事新闻,并把内容存放到相应的文件夹中


     1 __author__ = 'minmin'
     2 #coding:utf-8
     3 import re,urllib,sgmllib,os
     4 
     5 #根据当前的url获取html
     6 def getHtml(url):
     7     page = urllib.urlopen(url)
     8     html = page.read()
     9     page.close()
    10     return html
    11 
    12 #根据html获取想要的文章内容
    13 def func(str):
    14      result= re.findall(r"<p>([^<>]*)</p>",getHtml(url),re.M)
    15      artical =''
    16      for j in result:
    17          if len(j)<>0:
    18              j = j.replace("&nbsp;","")
    19              j = j.replace("<STRONG>","   ")#去掉<STRONG>,换成"     "
    20              j = j.replace("</STRONG>","   ")#去掉</STROGN>换成"     "
    21              artical = artical + j + '
    '
    22      return  artical
    23 
    24 #html链接的标签是“a”,链接的属性是“href”,也就是要获得html中所有tag=a,attrs=href 值。
    25 class URLPaser(sgmllib.SGMLParser):
    26     def reset(self):
    27         sgmllib.SGMLParser.reset(self)
    28         self.urls = []
    29 
    30     def start_a(self,attrs):
    31         href = [v for k,v in attrs if k == 'href']
    32         if href:
    33             self.urls.extend(href)
    34 
    35 IParser = URLPaser()
    36 socket = urllib.urlopen("http://mil.news.sina.com.cn/")#打开这个网页
    37 
    38 #fout = file('qq_art_urls.txt','w')#要把这个链接写到这个文件中
    39 IParser.feed(socket.read())#分析啦
    40 
    41 reg = 'http://mil.news.sina.com.cn/.*'#这个是用来匹配符合条件的链接,使用正则表达式匹配
    42 
    43 pattern = re.compile(reg)
    44 
    45 
    46 os.getcwd()#获得当前文件夹路径
    47 os.path.sep#当前系统路径分隔符
    48  
    49 #判断文件是否存在
    50 if os.path.exists('sina_military')==False:
    51      os.makedirs('sina_military')
    52      
    53 i = 0
    54 url2 = []
    55 for url in IParser.urls:#链接都存在urls里
    56 
    57     if pattern.match(url):
    58         if url not in url2:
    59             url2.append(url)
    60             artical = func(url)
    61             print artical
    62             if len(artical)<>0:
    63               i = i + 1
    64               f = open("sina_military/"+ str(i) + '.txt','a+')
    65               f.write(artical)
    66               f.close()
  • 相关阅读:
    访当当网的图标
    关于手触
    关于位置——CSSOM视图模式(CSSOM View Module)相关整理
    js 进制 转换
    函数的引用, 关于内存的开销
    一些
    HTML特殊符号对照表
    页面选中文字的javascript
    获取元素相对于页面的位置 和 页面高度 和 页面滚动高度
    i+1 和 i++ 的区别
  • 原文地址:https://www.cnblogs.com/minmsy/p/4962731.html
Copyright © 2020-2023  润新知