python 爬取文章

这里我们利用强大的python爬虫来爬取一篇文章。仅仅做一个示范，更高级的用法还要大家自己实践。

好了，这里就不啰嗦了，找到一篇文章的url地址：http://www.duanwenxue.com/article/673911.html

（注意，有一些网站会做一些反爬处理，关于这些网站的爬取会在近期的文章中说明）

这是一篇散文，）

<meta http-equiv="Content-Type" content="text/html; charset=gb2312" /> 可知网页的编码方式为GB2312

但在解码是要decode（’GB18030‘），

具体说明：http://www.cnblogs.com/jjj-fly/p/6696523.html

下面开始实现代码：

 #coding=GB18030
 import urllib.request
 from bs4 import BeautifulSoup
 import re

 url="http://www.duanwenxue.com/article/673911.html"
 a=urllib.request.urlopen(url)

 htmlstr=a.read().decode('GB18030')

 soup=BeautifulSoup(htmlstr,'html.parser')

 y=re.compile(r'<p>([\s\S]*?)</p>')
 text=y.findall(str(soup))      #第一次正则表达式筛选所有<p></p>中的内容

 x=''
 print(len(text))
 for i in range(0,len(text)):
     x=x+text[i]

 text1=re.sub("</?\w+[^>]*>",'',x)  #去掉html标签

 text2=text1.replace("。",'。\n\n\0\0')  #让文本更好看
 print(text2)

输出结果

over!

参考：http://www.cnblogs.com/jjj-fly/p/6901022.html