Python实现可获取网易页面所有文本信息的网易网络爬虫功能示例
作者:坏蛋是我 时间:2023-08-21 18:51:04
本文实例讲述了Python实现可获取网易页面所有文本信息的网易网络爬虫功能。分享给大家供大家参考,具体如下:
#coding=utf-8
#---------------------------------------
# 程序:网易爬虫
# 作者:ewang
# 日期:2016-7-6
# 语言:Python 2.7
# 功能:获取网易页面中的文本信息并保存到TXT文件中。
#---------------------------------------
import string
import urllib2
import re
import os
class WangYi_Spider:
#申明相关属性
def __init__(self):
#给wangyiUrl属性赋值
self.wangyiUrl="http://www.163.com/"
#用来保存页面中文字信息
self.pageinfor=[]
print u'已经启动网易爬虫,爬爬...'
#初始化加载页面并将其转码存储
def wangyi(self):
#读取页面的原始信息并将其从gbk转码
Page=urllib2.urlopen(self.wangyiUrl).read().decode('gbk')
#获取页面标题
title=self.find_title(Page)
print u'网页名称:'+title
#获取页面中文本信息
self.save_infor(title)
#查找页面标题
def find_title(self,page):
#匹配<title>xxxx</title>
myTitle=re.search(r'<title>(.*?)</title>',page,re.S)
#初始化标题名为暂无标题
title=u'暂无标题'
#如果标题存在把标题赋值给title
if myTitle:
#(.*?)这称作一个group,组是从1开始
title=myTitle.group(1)
else:
print u'爬虫报告:无法加载网页标题...'
return title
#保存页面信息
def save_infor(self,title):
#加载页面文本信息到数组中
self.get_infor()
#创建并打开本地文件
f=open(title+'.txt','w+')
#把获取的页面信息写入文件中
f.writelines(self.pageinfor)
#关闭打开的文件
f.close()
print u'爬虫报告:文件'+title+'.txt'+u'已经下载:'+os.getcwd()
print u'按任意键退出...'
raw_input()
#获取页面源码并将其存储到数组中
def get_infor(self):
#获取页面中的源码
page=urllib2.urlopen(self.wangyiUrl).read()
#把页面中的内容gbk解码然后获取页面中所有的文本信息
self.deal_infor(page.decode('gbk'))
#从页面代码中获取所需文信息
def deal_infor(self,page):
#获取<em >XXX</em>的文本信息XXX
emTagItems=re.findall("<em.*?>(\W+?)</em>",page,re.S)
#获取<span>XXXX</a>的文本信息XXXX
spanTagItems=re.findall("<span>(\W+?)</span>",page,re.S)
#获取<a .*>XXXX</a>的文本信息XXXX
aTagItems=re.findall("<a.*?>(\W+?)</a>",page,re.S)
#把em tag中获取的文本信息添加到数组pageinfor中
for emItem in emTagItems:
#对获取的文本信息用gbk进行编码
self.pageinfor.append(emItem.encode('gbk')+'\n')
#把span tag中获取的文本信息添加到数组pageinfor中
for spanItem in spanTagItems:
#对获取的文本信息用gbk进行编码
self.pageinfor.append(spanItem.encode('gbk')+'\n')
#把a tag中获取的文本信息添加到数组pageinfor中
for aItem in aTagItems:
#对获取的文本信息用gbk进行编码
self.pageinfor.append(aItem.encode('gbk')+'\n')
#------------程序入口处----------------
print u"""#---------------------------------------
# 程序:网易爬虫
# 作者:ewang
# 日期:2016-7-6
# 语言:Python 2.7
# 功能:获取网易页面中的文本信息并保存到TXT文件中
#--------------------------------------------------
"""
wangyiSpider=WangYi_Spider()
wangyiSpider.wangyi()
希望本文所述对大家Python程序设计有所帮助。
来源:http://blog.csdn.net/henni_719/article/details/51839504
标签:Python,网络爬虫
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
php设计模式 Singleton(单例模式)
2023-11-20 14:37:50
简析Oracle数据库常见问题及解决方案
2024-01-24 11:15:01
python实现TCP服务器端与客户端的方法详解
2023-05-17 09:39:39
解决python3 pika之连接断开的问题
2021-09-28 18:40:09
Pandas统计重复的列里面的值方法
2022-03-06 20:20:57
Python使用Cv2模块识别验证码的操作方法
2022-07-03 14:37:19
![](https://img.aspxhome.com/file/2023/8/102848_0s.png)
python 存储json数据的操作
2022-10-02 13:14:14
![](https://img.aspxhome.com/file/2023/2/82672_0s.png)
sql分类汇总及Select的自增长脚本
2024-01-22 20:43:34
![](https://img.aspxhome.com/file/2023/7/108517_0s.png)
如何在Django中使用聚合的实现示例
2021-08-02 10:32:30
python PyQt5/Pyside2 按钮右击菜单实例代码
2023-03-11 15:03:19
在Python开发环境中调用ChatGPT模型详细过程
2022-03-25 21:59:29
![](https://img.aspxhome.com/file/2023/3/97603_0s.jpg)
非常详细的SQL--JOIN之完全用法
2024-01-17 11:59:19
css设计的具有亲和力的表格
2008-03-16 19:28:00
![](https://img.aspxhome.com/file/UploadPic/20083/16/2008316193145866s.gif)
微信小程序实现单个卡片左滑显示按钮并防止上下滑动干扰功能
2024-04-18 10:03:54
CentOS 5.5下安装MySQL 5.5全过程分享
2024-01-16 02:06:57
java.sql.SQLException: 内部错误: Unable to construct a Datum from the specified input
2010-07-16 13:23:00
python读写文件with open的介绍
2022-04-03 22:19:34
![](https://img.aspxhome.com/file/2023/8/92458_0s.png)
python缺失值填充方法示例代码
2023-06-28 12:23:24
![](https://img.aspxhome.com/file/2023/1/126931_0s.png)
Asp下Access无法更新的解决方法
2012-12-04 20:19:35
opencv实现矿石图片检测矿石数量
2021-08-26 02:17:39
![](https://img.aspxhome.com/file/2023/4/93974_0s.jpg)