最近接触Python爬虫,以爬取学校新闻网新闻标题、日期、点击量为例,记录一下工作进度
目前,感觉Python爬虫的过程无非两步:
Step1.获取网页url(利用Python库函数import urllib2)
Step2.利用正则表达式对html中的字符串进行匹配、查找等操作
自我感觉sublime text2编辑器真心好用,部署Python后不会像WingIDE、notepad++那样存在那么多头疼的小问题,推荐使用
学校新闻网:西南交通大学新闻网–交大新闻
# -*- coding: UTF-8 -*-
import urllib2
import sys
import re
import os
#***********fuction define************#
def extract_url(info):
rege=”
re_url = re.findall(rege, info)
re_url[i]=”http://news.swjtu.edu.cn/”+re_url[i]
\r\n (.*)\r\n
title = re.findall(re_key,sub_web)
date = re.findall(re_key,sub_web)
counts = re.findall(re_key,sub_web)
#*************main**************#
content = urllib2.urlopen(‘http://news.swjtu.edu.cn/ShowList-82-0-1.shtml’).read()
sub_web = urllib2.urlopen(url[i]).read()
sub_title = extract_title(sub_web)
sub_date = extract_date(sub_web)