Python利用正则抓取网页内容保存到本地 - 快车库

目标是收集国内银行的域名列表，于是在人行的网站上找到了汇总信息，网址是http://www.cbrc.gov.cn/chinese/jrjg/index.html
截图是

查看一下他的html源码，需要抓取部分的是：

<li
                                                    style="margin: 0px 10px 0px 5px; width: 120px; float: left; height: 30px; display: inline;">
                                                    <a href="http://www.icbc.com.cn/" target="_blank"  style="color:#08619D">
                                                                                                            中国工商银行
                                                                                                         </a>
                                                </li>
                                                                                                                                                                                                                                                       <li
                                                    style="margin: 0px 10px 0px 5px; width: 120px; float: left; height: 30px; display: inline;">
                                                    <a href="http://www.abchina.com/" target="_blank"  style="color:#08619D">
                                                                                                            中国农业银行
                                                                                                         </a>
                                                </li>

提炼一下，我们需要提取的是Url和银行的名称，那么可以先把源码中的t删除，然后用正则表达式匹配

<a href="(.*)" target="_blank" style="color:#08619D">\r\n(.*)\r\n</a>

分析完毕，下面是代码实现了，第一个版本如下：

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
import os,re
import mechanize

browser = mechanize.Browser()
browser.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]
res  = browser.open('http://www.cbrc.gov.cn/chinese/jrjg/index.html')
data = res.read()
data = data.replace('\t','')
regx = '<a href="(.*)" target="_blank" style="color:#08619D">\r\n(.*)\r\n</a>'
domainlist =  re.findall(regx,data)
print len(domainlist)
for domain in domainlist:
    print domain[1].decode('utf-8'), domain[0] 

with open(u'金融.txt','wb') as fp:
    str1 = ''
    for domain in domainlist:
            str1 += domain[1]+ '----' + domain[0] + '----'+ '\r\n'
    fp.write(str1)

首先声明一个浏览器对象，并修改了其http头的user-agent信息；然后打开Url，获取Html源码，并将't'删除；之后利用Python的正则匹配，将Url和银行名称提炼出来；最后将这些信息写入到文件中。
注意一点，print到屏幕上时，需要将中文字符解码为utf-8才能打印，写入文件是不需要的。

那么升级一下，我需要的不是url，而是银行对应的域名，可以用tld模块来提取
import部分添加

from tld import get_tld

在使用tld模块从url提取域名的过程中，会发现莫名其妙的问题，不知道是提取正则提取Url时，url不规范导致的还是其他原因，总有一些Url没法提取域名，于是会发生报错信息，我这边从新写了一下，增加容错性

def my_get_tld(url):
    try:
        str = get_tld(url = url,fail_silently=True)
        if str == None:
            return ''
        else:
            return str.encode('utf8')
    except:
        return ''

于是写入文本的代码修改成

with open(u'金融.txt','wb') as fp:
    str1 = ''
    for domain in domainlist:
            str1 += domain[1]+ '----' + domain[0] + '----' + my_get_tld(url = domain[0]) + '\r\n'
    fp.write(str1)

OK，运行之后就可以得到需要的内容了