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

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