Python基于urllib,re爬取百度的国内即时新闻

Python应用于爬虫领域业界已经相当的广泛了，今天就采用urllib + re 爬取下百度国内即时新闻。

软件环境：

Python    : 3.6.0   

PyCharm: Community 2017.2 

Python 下载地址 https://www.python.org/downloads/

Pycharm 下载地址(Community是免费的) https://www.jetbrains.com/pycharm/download/#section=windows 

主要思路：

采用urllib请求制定url，拿到网页的html，然后采用re进行正则匹配找到新闻标题

爬取过程：

1. 导入urllib 和 re 两个模块

1

2

3

<code>import</code> <code>urllib</code>

<code>from</code> <code>urllib </code><code>import</code> <code>request</code>

<code>import</code> <code>re</code>

2. 采用urllib.request.urlopen 打开百度信息url,并取得所有html

<code>url </code><code>=</code> <code>"http://news.baidu.com/guonei"</code>

<code>response </code><code>=</code> <code>urllib.request.urlopen(url)</code>

<code>html </code><code>=</code> <code>response.read().decode(</code><code>'utf-8'</code><code>)</code>

urllib.urlopen()方法用于打开一个url地址。

read()方法用于读取URL上的数据，并把整个页面下载下来。

3. 在Chrome中按F12可以查看到网页的源代码，可以看到新闻位于 div id="instant-news"下面

4. 获取即时信息的整个div的html并存储到变量: instant_news_html

<code>pattern_of_instant_news </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&lt;div id="instant-news.*?&lt;/div&gt;'</code><code>,re.S)</code>

<code>instant_news_html </code><code>=</code> <code>re.findall(pattern_of_instant_news, html)[</code><code>0</code><code>]</code>

5. 从全部news的html中匹配出每一个新闻标题

4

<code>pattern_of_news </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&lt;li&gt;&lt;a.*?&gt;(.*?)&lt;/a&gt;&lt;/li&gt;'</code><code>, re.S)</code>

<code>news_list </code><code>=</code> <code>re.findall(pattern_of_news, instant_news_html)</code>

<code>for</code> <code>news </code><code>in</code> <code>news_list:</code>

<code>    </code><code>print</code><code>(news)</code>

将会看到如入结果

完整源代码：

5

6

7

8

9

10

11

12

13

14

15

16

<code></code>

本文转自 yuanzhitang 51CTO博客，原文链接：http://blog.51cto.com/yuanzhitang/2057777，如需转载请自行联系原作者