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

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