python爬虫技术总结

seemebaby

　　最近用python做爬虫研究了一段时间，感觉太好了，下面和大家分享一下
　　依旧是以伯乐在线网站作为抓取的例子，从最新文章专栏抓取他们的文章，可以获取网站的分页来获取更多的内容下载打包起来。
　　

　　下面是代码：
　　


import urllib2,urllib
import threading
from bs4 import BeautifulSoup
import re
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
num=1
class Get(threading.Thread):
def __init__(self,lock,link,list):
threading.Thread.__init__(self)
self.lock=lock
self.link=link
self.list=list
def filter_tags(self,htmlstr):
re_cdata=re.compile('//<!\[CDATA\[[^>]*//\]\]>',re.I)
re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)
re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)
re_p=re.compile('<P\s*?/?>')
re_h=re.compile('</?\w+[^>]*>')
re_comment=re.compile('<!--[^>]*-->')
s=re_cdata.sub('',htmlstr)
s=re_script.sub('',s)
s=re_style.sub('',s)
s=re_p.sub('\r\n',s)
s=re_h.sub('',s)
s=re_comment.sub('',s)
blank_line=re.compile('\n+')
s=blank_line.sub('\n',s)
return s
def run(self):
self.lock.acquire()
content=urllib2.urlopen(self.link).read()
g=self.filter_tags(content)
title=r'<h1>(.+)</h1>'
result=re.findall(title,content)
print "%s \n" %",".join(result)      
cn=r'<div class="entry">(.*)<!-- END .entry -->'
tem=re.findall(cn,content,re.S)
f=open('/home/tron/Python/code/'+'News'+'.txt','a+')
for j,cc in zip(result,tem):
f.write(j.encode("utf-8")+"\n"+self.filter_tags(cc)+"")
f.close()
if self.list<1:
global num
num+=1
if num<4:
main("http://blog.jobbole.com/all-posts/page/"+str(num)+"/")
else:
print "No More"
return
self.lock.release()
def main(info):
spuare=r'<div class="grid-8" id="archive">(.*)<!-- END .grid-8 -->'
#info="http://blog.jobbole.com/all-posts/"
content=urllib2.urlopen(info).read()
div=re.search(spuare,content,re.S)
link=r'http://blog.jobbole.com/\d{5}/'
result=re.findall(link,div.group())
result=set(result)
list=len(result)
lock=threading.Lock()
for i in result:
list-=1
Get(lock,i,list).start()
if __name__=="__main__":
main("http://blog.jobbole.com/all-posts/page/1/")
　　我同样也是用了多线程来比较高效地获取网页内容。

filter_tags()函数是用来出去网页中的像是<p/><div/>等标签，否则打包下载之后会不适应阅读　　我用这段代码获取了前三页的内容，并且只获得啦发布的文章的信息而屏蔽掉了右侧热门文章的信息，代码有冗余。