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

#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 stringimport urllib2import reimport osclass 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()