python抓取

我要抓取奥巴马每周的演讲内容http://www.putclub.com/html/radio/VOA/presidentspeech/index.html

如果手动提取，就需要一个个点进去，再复制保存，非常麻烦。

那有没有一步到位的方法呢，用python这种强大的语言就能快速实现。

首先我们看看这网页的源码

可以发现，我们要的信息就在这样一小条url中。

更具体点说，就是我们要遍历每个类似http://www.putclub.com/html/radio/VOA/presidentspeech/2014/0928/91326.html这样的网址，而这网址需要从上面的网页中提取。

好，开始写代码

首先打开这个目录页，保存在content

1. import sys,urllib
2. url="http://www.putclub.com/html/radio/VOA/presidentspeech/index.html"
3. wp = urllib.urlopen(url)
4. print "start download..."
5. content = wp.read()

下面要提取出每一篇演讲的内容

具体思路是搜索“center_box”之后，每个“href=”和“target”之间的内容。为什么是这两个之间，请看网页源码。

得到的就是每一篇的url，再在前面加上www.putclub.com就是每一篇文章的网址啦

1. print content.count("center_box")
2. index =  content.find("center_box")
3. content=content[content.find("center_box")+1:]
4. content=content[content.find("href=")+7:content.find("target")-2]
5. filename = content
6. url ="http://www.putclub.com/"+content
7. print content
8. print url
9. wp = urllib.urlopen(url)
10. print "start download..."
11. content = wp.read()

有了文章内容的url后，同样的方法筛选内容。

1. #print content
2. print content.count("<div class=\"content\"")
3. #content = content[content.find("<div class=\"content\""):]
4. content = content[content.find("<!--info end------->"):]
5. content = content[:content.find("<div class=\"dede_pages\"")-1]
6. filename = filename[filename.find("presidentspeech")+len("presidentspeech/"):]

最后再保存并打印

1. filename = filename.replace('/',"-",filename.count("/"))
2. fp = open(filename,"w+")
3. fp.write(content)
4. fp.close()
5. print content

OK，大功告成！保存成.pyw文件，以后只需双击就直接保存下了obama每周演讲内容~