Python正则抓取网易新闻的方法示例

本文实例讲述了Python正则抓取网易新闻的方法。分享给大家供大家参考，具体如下：

自己写了些关于抓取网易新闻的爬虫，发现其网页源代码与网页的评论根本就对不上，所以，采用了抓包工具得到了其评论的隐藏地址（每个浏览器都有自己的抓包工具，都可以用来分析网站）

如果仔细观察的话就会发现，有一个特殊的，那么这个就是自己想要的了

然后打开链接就可以找到相关的评论内容了。（下图为第一页内容）

接下来就是代码了(也照着大神的改改写写了)。

    #coding=utf-8
    import urllib2
    import re
    import json
    import time
    class WY():
      def __init__(self):
        self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.24 (KHTML, like '}
        self.url='http://comment.news.163.com/data/news3_bbs/df/B9IBDHEH000146BE_1.html'
      def getpage(self,page):
        full_url='http://comment.news.163.com/cache/newlist/news3_bbs/B9IBDHEH000146BE_'+str(page)+'.html'
        return full_url
      def gethtml(self,page):
        try:
          req=urllib2.Request(page,None,self.headers)
          response = urllib2.urlopen(req)
          html = response.read()
          return html
        except urllib2.URLError,e:
          if hasattr(e,'reason'):
            print u"连接失败",e.reason
            return None
      #处理字符串
      def Process(self,data,page):
        if page == 1:
          data=data.replace('var replyData=','')
        else:
          data=data.replace('var newPostList=','')
        reg1=re.compile(" \[<a href=''>")
        data=reg1.sub(' ',data)
        reg2=re.compile('<\\\/a>\]')
        data=reg2.sub('',data)
        reg3=re.compile('<br>')
        data=reg3.sub('',data)
        return data
      #解析json
      def dealJSON(self):
        with open("WY.txt","a") as file:
          file.write('ID'+'|'+'评论'+'|'+'踩'+'|'+'顶'+'\n')
        for i in range(1,12):
          if i == 1:
            data=self.gethtml(self.url)
            data=self.Process(data,i)[:-1]
            value=json.loads(data)
            file=open('WY.txt','a')
            for item in value['hotPosts']:
              try:
                file.write(item['1']['f'].encode('utf-8')+'|')
                file.write(item['1']['b'].encode('utf-8')+'|')
                file.write(item['1']['a'].encode('utf-8')+'|')
                file.write(item['1']['v'].encode('utf-8')+'\n')
              except:
                continue
            file.close()
            print '--正在采集%d/12--'%i
            time.sleep(5)
          else:
            page=self.getpage(i)
            data = self.gethtml(page)
            data = self.Process(data,i)[:-2]
            # print data
            value=json.loads(data)
            # print value
            file=open('WY.txt','a')
            for item in value['newPosts']:
              try:
                file.write(item['1']['f'].encode('utf-8')+'|')
                file.write(item['1']['b'].encode('utf-8')+'|')
                file.write(item['1']['a'].encode('utf-8')+'|')
                file.write(item['1']['v'].encode('utf-8')+'\n')
              except:
                continue
            file.close()
            print '--正在采集%d/12--'%i
            time.sleep(5)
    if __name__ == '__main__':
      WY().dealJSON()

以上就是我爬取的代码了。

PS：这里再为大家提供2款非常方便的正则表达式工具供大家参考使用：

JavaScript正则表达式在线测试工具：
http://tools.jb51.net/regex/javascript

正则表达式在线生成工具：
http://tools.jb51.net/regex/create_reg

更多关于Python相关内容可查看本站专题：《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python Socket编程技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。