这个不错。正好入门学习使用。
1、其中用到 feedparser：
技巧：使用 Universal Feed Parser 驾驭 RSS
http://www.ibm.com/developerworks/cn/xml/x-tipufp.html
请访问 feedparser.org，详细了解 Universal Feed Parser，其中还包括一些下载资料和文档。
feedparser 实际下载地址：
http://code.google.com/p/feedparser/downloads/list
2、另外，需要将文件加上 utf-8 的 bom 头，需要用到 python 写入十六进制字符：
http://linux.byexamples.com/archives/478/python-writing-binary-file/
python 写入十六进制字符
file.write("\x5F\x9D\x3E")
file.close()
3、因为要调试，文件的打开模式改成 w 方便一些。
- import urllib
- import sys
- import re
- from feedparser import _getCharacterEncoding as enc
- class TagParser:
- def __init__(self, value):
- self.value = value
- def get(self, start, end):
- regx = re.compile(r'<' + start + r'.*?>.*</' + end + r'>')
- return re.findall(regx, self.value)
- if __name__ == "__main__":
- baseurl = "http://data.book.163.com/book/section/000BAfLU/000BAfLU"
- f = open("test_01.txt", "w")
- f.write("\xef\xbb\xbf")
- # for ndx in range(0, 56):
- for ndx in range(0, 1):
- url = baseurl + str(ndx) + ".html"
- print "get content from " + url
- src = urllib.urlopen(url)
- text = src.read()
- f1= open("tmp_" + str(ndx) + ".txt", "w")
- f1.write(text)
- f1.close()
- encoding = enc(src.headers, text)[0]
- tp = TagParser(text)
- title = tp.get('h1 class="f26s tC"', 'h1')
- article = tp.get('p class="ti2em"', 'p')
- t = re.sub(r'</.+>', '\n', title[0])
- t = re.sub(r'<.+>', '\n', t)
- data = t
- c = ""
- for p in article:
- pt = re.sub(r'</p>', '\n', p)
- c += pt
- c = re.sub(r'<.+>', '\n', c)
- data += c
- data = data.decode(encoding)
- f.write(data.encode('utf-8', 'ignore'))
- f.close()