练习爬取新浪新闻网首页的新闻
思路:
- 访问新浪新闻首页,考虑是否需要伪装报头
- 利用正则匹配从数据筛选出所有新闻的网址
- 把得到的所有新闻下载到本地
- 考虑异常处理的问题
import urllib.request
import urllib.error
import re
# 访问新浪新闻,读取数据
data1 = urllib.request.urlopen("http://news.sina.com.cn/").read()
# 对数据进行编码为utf-8,忽略编码错误
data2 = data1.decode("utf-8", "ignore")
# 正则匹配从数据中筛选出新闻的地址
# 地址在F12中找到
pat = 'href="(news.sina.com.cn/.*?)"'
newsurl = re.complie(pat).findall(data2)
# 循环读取每一个地址并下载到本地
for i in range(0, len(data2)):
try:
print("第"+str(i)+"次爬取")
thisurl = newsurs[i] #当此读取新闻地址
file = "F:/练习/urllib爬虫获取新闻"+str(i)+".html"
urllib.request.urlretrieve(thisurl, file)
print("--本次下载完成--")
except urllib.error.URLErroe as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)