多线程获取腾讯新闻代码,Python代码库,德仔网

代码语言
代码分类
【Python】多线程获取腾讯新闻
作者: / 发布于2013/1/8/ 806
# -*- coding: utf-8 -*-
import urllib2
import re
import os
import threading
import Queue

# 配置信息
pageStart   = 1
pageEnd     = 3000
root = "E:\\qq.com\\news\\d\\20130104\\"

# 正则
def filter_tags(htmlstr):
    re_cdata=re.compile('//<!\[CDATA\[[^>]*//\]\]>',re.I) #匹配CDATA
    re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)#Script
    re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style
    re_p=re.compile('<P\s*?/?>')#处理换行
    re_h=re.compile('</?\w+[^>]*>')#HTML标签
    re_comment=re.compile('<!--[^>]*-->')#HTML注释
    s=re_cdata.sub('',htmlstr)#去掉CDATA
    s=re_script.sub('',s) #去掉SCRIPT
    s=re_style.sub('',s)#去掉style
    s=re_p.sub('\r\n',s)#将转换为换行
    s=re_h.sub('',s) #去掉HTML 标签
    s=re_comment.sub('',s)#去掉HTML注释  
    blank_line=re.compile('\n+')#去掉多余的空行
    s=blank_line.sub('\n',s)
    return s

nQueue = Queue.Queue()

class DownloadPage(threading.Thread):
    def __init__ (self, nQueue):
        threading.Thread.__init__(self)
        self.nQueue = nQueue
        
    def run (self):
        
        while True:
            page = self.nQueue.get()
            
            url = "http://news.qq.com/a/20130104/"+page+".htm"
            try:#异常跳出
                sub_web = urllib2.urlopen(url).read()#打开完整url链接，获取内容
            except:
                print page+' Failed'
                continue
            
            re_keyt = "<h1>.+</h1>"#获取标题，此处的标题不含腾讯新闻的后缀比较方便
            title = re.findall(re_keyt,sub_web)#去掉标题左右的html标签
            re_keyc = re.compile("<div id=\"Cnt-Main-Article-QQ\".*</div>")#匹配正文内容的正则（个别页面无法获得，见if块）
            content = re_keyc.findall(sub_web)#获得正文内容
            
            if len(title)==0 or len(content)==0:
                continue
            
            re_content = filter_tags(title[0]+"\r\n"+content[0])#将标题和正文放到一起并去除html标签代码
            # 目标路径
            path = root+page+".txt"
            # 收工
            if os.path.isfile(path):
                print 'file exists, go next.'
                continue
            else:
                w=file(path,'w')#根据页面的文件名建立txt文件，并打开为写入方式
                w.write(re_content)#写入获得的去除了html标签代码的标题和正文
                w.close()#关闭文件
            
        self.nQueue.task_done()

def main ():

    for i in range(pageStart, pageEnd):
        page = str(i).zfill(6)
        nQueue.put(page)

    for i in range(5) :
        tt = DownloadPage(nQueue)
        tt.setDaemon(True)
        tt.start()

    nQueue.join()
    
main()
exit()
试试其它关键字
　多线程　
同语言下
可能有用的
贡献的其它代码Label