正则匹配牛刀小试——一键抓取奇虎360新闻信息

继续爬虫的学习，为了致敬
http://blog.csdn.net/pleasecallmewhy/article/details/8932310 中why大神的糗事爬虫，我做了一个奇虎新闻的小爬虫，亲测可试，但是我这个爬虫还是单线程的，而且抓取的量也不是很多，而且是最基本的url特性抓取，还没有能力抓取url不变的网站消息。

首先说一下我要抓取的网站：360新闻搜索 - 搜一下,知天下 ，通过观察其url，不难看出来是
http://sh.qihoo.com/类别/index_页数.html 的结构，隐藏只需要把它抓取回来，依次用正则的方式匹配就行，废话不多说，上码。

#!/usr/bin/env python
#-*-coding:utf-8-*-

#---------------------------------------
#   程序：奇虎360新闻爬虫
#   文件名：Qihoo360.py
#   作者：sysublackbear
#   日期：2014-03-30
#   语言：Python
#   功能：将360中的新闻，链接及摘要输出并且保存到本地文件
#---------------------------------------

import urllib2
import urllib
import re
import string

#定义新闻的标签
tags = ['china','world','mil','ent','sports',\
'internet','tech','finance','house','auto','edu','game',\
'lady','health','society']

class Qihoo360News:
#构造函数
def __init__(self):
self.start = 1   #默认开始从第一页开始
self.end = 5 #默认结束页还是1

#把某一页的标题和连接都放到字典上
def getPage(self,tag,start,end):
if tag not in tags:
print '你所找的类别不存在!'
return
if end > 5:
end = 5
url = "http://sh.qihoo.com/"+tag+"/"
intro = '以下是'+tag+'抓取的结果'
print intro
for i in range(start,end+1):
f = open('/home/dzhwen/python文件/Homework/urllib/qihoo/qihoo_'+tag+'_page_'+str(i)+'.txt','w+')
id = '第'+str(i)+'页'
print id.center(40)
f.write(id.center(40)+'\n')
if i == 1:
myurl = url + "index.html"
else:
myurl = url + "index_" + str(i) + ".html"
Response = urllib2.urlopen(myurl)
Page = Response.read()
myItems = re.findall('<div class="hd">.*?<h2><a href="(.*?)" target="_blank">(.*?)</a></h2>.*?<div class="bd">.*?<p>(.*?)<a',Page,re.S)
#其中,re.S为多行匹配模式
#输出同时写入文本
temp = '*******************************************'
for item in myItems:
print temp
f.write(temp + '\n')
print '标题:',item[1]
f.write('标题:'+item[1]+'\n')
print 'From:',item[0]
f.write('From:'+item[0]+'\n')
print '摘要:',item[2]
f.write('摘要:'+item[2]+'\n')
print temp
f.close()

if __name__ == '__main__':
qihoo = Qihoo360News()
menu="""
请选择要抓取的类别：
1——国内；2——国际；3——军事；4——娱乐；5——体育；6——互联网；7——科技；8——财经；
9——房产；10——汽车；11——教育；12——游戏；13——女性；14——健康；15——社会；
或者：？（慎用！！）
一键全抓取？？(A)
"""
print menu
tag = raw_input("请选择:")
if tag != 'A':
start = raw_input("请选择开始页数(1——5）：")
end = raw_input("请选择结束页数(1——5）:")
qihoo.getPage(tags[int(tag)-1],int(start),int(end))
else:
for item in tags:
qihoo.getPage(item,1,5)

就这样，请多多指教！