首先实现关于网页解析、读取等操作我们要用到以下几个模块
import urllib
import urllib2
import re
我们可以尝试一下用readline方法读某个网站，比如说百度
def test():
f=urllib.urlopen('http://www.baidu.com')
while True:
firstLine=f.readline()
print firstLine
下面我们说一下如何实现网页信息的抓取，比如说百度贴吧
我们大概要做几件事情：
首先获取网页及其代码，这里我们要实现多页，即其网址会改变，我们传递一个页数
def getPage(self,pageNum):
try:
url=self.baseURL+self.seeLZ+'&pn='+str(pageNum)
#创建request对象
request=urllib2.Request(url)
response=urllib2.urlopen(request)
#print 'URL:'+url
return response.read()
except Exception,e:
print e
之后我们要获取小说内容，这里咱们分为标题和正文。标题每页都有，所以我们获取一次就好了。
我们可以点击某网站，按f12查看他的标题标签是如何构造的，比如说百度贴吧是<title>…………
那我们就匹配reg=re.compile(r'<title>(.*?)。')来抓取这个信息
标题抓取完我们要开始抓去正文了，我们知道正文会有很多段，所以我们要循环的去抓取整个items，这里我们注意
对于文本的读写操作，一定要放在循环外。同时加入一些去除超链接、<br>等机制
最后，我们在主函数调用即可
完整代码：
# -*- coding:utf-8 -*-import sysreload(sys)sys.setdefaultencoding('utf8')#爬虫之网页信息抓取#需要的函数方法：urllib,re,urllib2import urllibimport urllib2import re#测试函数->读取#def test():# f=urllib.urlopen('http://www.baidu.com')# while True:# firstLine=f.readline()# print firstLine#针对于百度贴吧获取前十页楼主小说文本内容class BDTB:def __init__(self,baseUrl,seeLZ):#成员变量self.baseURL=baseUrlself.seeLZ='?see_lz='+str(seeLZ)#获取该页帖子的代码def getPage(self,pageNum):try:url=self.baseURL+self.seeLZ+'&pn='+str(pageNum)#创建request对象request=urllib2.Request(url)response=urllib2.urlopen(request)#print 'URL:'+urlreturn response.read()except Exception,e:print e#匹配标题def Title(self):html=self.getPage(1)#compile提高正则匹配效率reg=re.compile(r'<title>(.*?)。')#返回list列表items=re.findall(reg,html)f=open('output.txt','w+')item=('').join(items)f.write('\t\t\t\t\t'+item.encode('gbk'))f.close()#匹配正文def Text(self,pageNum):html=self.getPage(pageNum)#compile提高正则匹配效率reg=re.compile(r'"d_post_content j_d_post_content ">(.*?)</div>')#返回list列表items=re.findall(reg,html)f=open('output.txt','a+')#[1:]切片，第一个元素不需要，去掉。for i in items[1:]:#超链接去除removeAddr=re.compile('<a.*?>|</a>')#用""替换i=re.sub(removeAddr,"",i)#<br>去除i=i.replace('<br>','')f.write('\n\n'+i.encode('gbk'))f.close()#调用入口baseURL='http://tieba.baidu.com/p/4638659116'bdtb=BDTB(baseURL,1)print '爬虫正在启动....'.encode('gbk')#多页bdtb.Title()print '抓取标题完毕！'.encode('gbk')for i in range(1,11):print '正在抓取第%02d页'.encode('gbk')%ibdtb.Text(i)print '抓取正文完毕!'.encode('gbk')
随时随地看视频
