python主题爬取百度新闻

# -*- coding:utf-8 -*-


import urllib    
import re    
import time
import urllib
import os
from urllib import request


#创建爬取类，并申明相关属性和方法

class News:
    #class具体的属性及函数
    def __init__（selfurl）:
        httpobj = request.urlopen（url）
        #read（）读取url信息
        html = httpobj.read（）
        #网页编码格式为gb2312
        htmltext = html.decode（‘gb2312‘‘ignore‘） 
        #正则表达式匹配新闻标题
        pat = ‘]*）“ mon=“[^>“]*“ target=“[^>“]*“>（[^>#]*）‘ 
        result = re.findall（pathtmltext）
        pat =‘]*）“ target=“[^>“]*“ class=“[^>“]*“ mon=“[^>“]*“>（[^>#]*）‘
        added = re.findall（pathtmltext）
        result.extend（added）
        pat =‘]*）“ target=“[^>“]*“  mon=“[^>“]*“>（[^>#]*）‘
        added = re.findall（pathtmltext）
        result.extend（added）
        se = set（result）
        result = list（se）
        #replace（）将文章标题中的quot取消
        #将匹配出的标题和URL加入到data列表中
        self.data = [[item[0]item[1].replace（‘"‘‘“‘）] for item in result]
      
      
    #提取关键字，并将包含关键字的标题加入到target列表当中    
    def key（self）:
        self.key =input（“输入关键字：“）
        self.target = []
        for item in self.data :
            if self.key in item[1]:
                self.target.append（item）
        #返回与关键字相关的新闻个数        
        return len（self.target）
    
    
    #访问匹配到的新闻信息
    def visit（self）:
        for i in range（len（self.target））:
            url = self.target[i][0]
            httpobj = request.urlopen（url）
            html = httpobj.read（）
            #百度新闻网页的编码格式为gb2312
            htmltext = html.decode（‘gb2312‘‘ignore‘） 
            #相关度匹配
            #在新闻全文当中匹配关键