网易页面的网络爬虫，获取网易页面的所有文本信息

#coding=utf-8
#---------------------------------------
#   程序：网易爬虫
#   作者：ewang
#   日期：2016-7-6
#   语言：Python 2.7
#   功能：获取网易页面中的文本信息并保存到TXT文件中。
#---------------------------------------

import string
import urllib2
import re
import os

class WangYi_Spider:
#申明相关属性
def  __init__(self):
#给wangyiUrl属性赋值
self.wangyiUrl="http://www.163.com/"
#用来保存页面中文字信息
self.pageinfor=[]
print u'已经启动网易爬虫，爬爬...'

#初始化加载页面并将其转码存储
def	wangyi(self):
#读取页面的原始信息并将其从gbk转码
Page=urllib2.urlopen(self.wangyiUrl).read().decode('gbk')

#获取页面标题
title=self.find_title(Page)
print u'网页名称:'+title

#获取页面中文本信息
self.save_infor(title)

#查找页面标题
def find_title(self,page):
#匹配<title>xxxx</title>
myTitle=re.search(r'<title>(.*?)</title>',page,re.S)

#初始化标题名为暂无标题
title=u'暂无标题'

#如果标题存在把标题赋值给title
if myTitle:
#(.*?)这称作一个group，组是从1开始
title=myTitle.group(1)
else:
print u'爬虫报告：无法加载网页标题...'
return title

#保存页面信息
def save_infor(self,title):
#加载页面文本信息到数组中
self.get_infor()

#创建并打开本地文件
f=open(title+'.txt','w+')

#把获取的页面信息写入文件中
f.writelines(self.pageinfor)

#关闭打开的文件
f.close()
print u'爬虫报告：文件'+title+'.txt'+u'已经下载:'+os.getcwd()
print u'按任意键退出...'
raw_input()

#获取页面源码并将其存储到数组中
def get_infor(self):
#获取页面中的源码
page=urllib2.urlopen(self.wangyiUrl).read()

#把页面中的内容gbk解码然后获取页面中所有的文本信息
self.deal_infor(page.decode('gbk'))

#从页面代码中获取所需文信息
def deal_infor(self,page):
#获取<em >XXX</em>的文本信息XXX
emTagItems=re.findall("<em.*?>(\W+?)</em>",page,re.S)

#获取<span>XXXX</a>的文本信息XXXX
spanTagItems=re.findall("<span>(\W+?)</span>",page,re.S)

#获取<a .*>XXXX</a>的文本信息XXXX
aTagItems=re.findall("<a.*?>(\W+?)</a>",page,re.S)

#把em tag中获取的文本信息添加到数组pageinfor中
for emItem in emTagItems:
#对获取的文本信息用gbk进行编码
self.pageinfor.append(emItem.encode('gbk')+'\n')

#把span tag中获取的文本信息添加到数组pageinfor中
for spanItem in spanTagItems:
#对获取的文本信息用gbk进行编码
self.pageinfor.append(spanItem.encode('gbk')+'\n')

#把a tag中获取的文本信息添加到数组pageinfor中
for aItem in aTagItems:
#对获取的文本信息用gbk进行编码
self.pageinfor.append(aItem.encode('gbk')+'\n')

#------------程序入口处----------------
print u"""#---------------------------------------
#   程序：网易爬虫
#   作者：ewang
#   日期：2016-7-6
#   语言：Python 2.7
#   功能：获取网易页面中的文本信息并保存到TXT文件中
#--------------------------------------------------
"""

wangyiSpider=WangYi_Spider()
wangyiSpider.wangyi()