python爬虫 ----文章爬虫（合理处理字符串中的\n\t\r........）

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

import urllib.request
import re
import timenum=input("输入日期（20150101000）：")def openpage(url):
html=urllib.request.urlopen(url) page=html.read().decode('gb2312') return pagedef getpassage(page):
passage = re.findall(r'<p class="MsoNormal" align="left">([\s\S]*)</FONT>',str(page)) passage1=re.sub("</?\w+[^>]*>", "", str(passage)) passage2=passage1.replace('\\r', '\r').replace('\\n', ' \n').replace('\\t','\t').replace(']','').replace('[','').replace(' ',' ') print(passage2) with open(load,'a',encoding='utf-8') as f:
f.write("-----------------------------"+"日期"+str(date)+"---------------------------------\n"+passage2+"----------------------------------------------------\n")for i in range(1,32):
date=int(num)+int(i)
print(date)
load="C:/Users/home/Desktop/新建文本文档.txt"
url=("http://www.hbuas.edu.cn/news/xyxw/news_"+str(date)+".htm")

try: page=openpage(url) getpassage(page) print("第"+str(i)+"号有文章，----已下载")
except:
print("第"+str(i)+"号无文章。")
time.sleep(2)

写了一个爬学校新闻网的爬虫，

主要涉及 re正则 urllib.request 文件的写入

在爬取文章时通常会返回很多影响美感的代码

如下：