#coding=utf-8import urllib2import reimport os#this function from internet @littlebai#去掉特征字符串内的html操作符
def filter_tags(htmlstr): re_cdata=re.compile(//]*//\]\]>,re.I) #匹配CDATA re_script=re.compile(]*>[^<]*,re.I)#Script
re_style=re.compile(]*>[^<]*,re.I)#style re_p=re.compile()#处理换行
re_h=re.compile(]*>)#HTML标签 re_comment=re.compile(]*-->)#HTML注释 s=re_cdata.sub(,htmlstr)#去掉CDATA
s=re_script.sub(,s) #去掉SCRIPT s=re_style.sub(,s)#去掉style s=re_p.sub(\r\n,s)#将
转换为换行 s=re_h.sub(,s) #去掉HTML 标签
s=re_comment.sub(,s)#去掉HTML注释 blank_line=re.compile(\n+)#去掉多余的空行 s=blank_line.sub(\n,s) return s#设置下载文件的保存位置
path = "E:\\news.qq.com\\a\\20120506\\"#匹配url规则rege = re.compile(r"/a/\d{8}/\d{6}.htm")#从主页获得所有存在的url链接的后半部分并排序
urlcontent = urllib2.urlopen(http://news.qq.com/a/20120506/index.htm).read()get_url = rege.findall(urlcontent)
get_url.sort()#根据所获得的url数量建立循环遍历所有url链接for i in xrange(0,len(get_url)): get_url[i] = "http://news.qq.com"+get_url[i]#完整链接
#异常处理：部分url链接打开延时或者无法打开则跳过此次循环 try:#异常跳出 sub_web = urllib2.urlopen(get_url[i]).read()#打开完整url链接，获取内容
except urllib2.URLError, e: print get_url[i][-10:-4]+ Failed continue #下面开始内容操作 re_keyt = "
.+
"#获取标题，此处的标题不含腾讯新闻的后缀比较方便title = re.findall(re_keyt,sub_web)#去掉标题左右的html标签 re_keyc = re.compile("
\n",re.DOTALL)#匹配正文内容的正则（个别页面无法获得，见if块）content = re_keyc.findall(sub_web)#获得正文内容 #个别页面由于有视频或其他的无法匹配正文内容的正则表达式，所以无法获得内容，应给与过滤 if len(title)==0 or len(content)==0:
continue re_content = filter_tags(title[0]+"\r\n"+content[0])#将标题和正文放到一起并去除html标签代码 w=file(path+get_url[i][-10:-4]+.txt,w)#根据页面的文件名建立txt文件，并打开为写入方式
w.write(re_content)#写入获得的去除了html标签代码的标题和正文 w.close()#关闭文件 #命令行输出提示文件下载进度 print Completed the+str(i+1)+" -Total "+str(len(get_url))+" THE "+get_url[i][-10:]
#完成所有url链接的下载print "Fuck The Stupied Guy!!!!"#退出脚本exit()
亲爱的读者们，感谢您花时间阅读本文。如果您对本文有任何疑问或建议，请随时联系我。我非常乐意与您交流。
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。