那墙可有五十米高啊！

刚写完用了两天数据源就被封了2333333

收到通知暂停更新，稍后会删除该文，期待官方解禁。

===========================================

https://github.com/mlxy/GoogleHostsUpdate

简单的读页面源码然后正则匹配。

我只是懒得自己更新hosts。

为了chrome的同步我呕心沥血。

请和之前的汤站爬虫一起加进计划任务里。

面向过程充满了爱。

#encoding:utf-8
import urllib
import re
import os

url = 'http://www.360kb.com/kb/2_122.html'
regexHosts = r'#google hosts 2015 by 360kb.com.*#google hosts 2015 end'
regexTimeUpdated = r'<strong>(dddd.dd?.dd?)&nbsp;</strong>'

hostsPath = 'C:\Windows\System32\drivers\etc\hosts'
    
def retrievePage(url):
    ''' 读取页面源代码。 '''
    response = urllib.urlopen(url)
    page = response.read()
    return page

def matchTimeUpdated(page):
    ''' 从页面源码中匹配出hosts更新时间。 '''
    timeUpdated = re.search(regexTimeUpdated, page)
    return timeUpdated.group(1)

def matchHostList(page):
    ''' 从页面源码中匹配出host列表。 '''
    result = re.search(regexHosts, page, re.S)
    hosts = result.group()
    return hosts
    
def translateSpaceEntity(srcString):
    ''' 把结果中的"&nbsp;"转换成空格。 '''
    return srcString.replace('&nbsp;', ' ')
    
def removeHtmlLabels(srcString):
    ''' 去除结果中的HTML标签。 '''
    return re.sub(r'<[^>]+>', '', srcString)

def addExtraInfo(srcString, extraInfo):
    ''' 在第一行添加额外信息。'''
    return extraInfo + '
' + srcString

def write2File(hosts, filePath):
    ''' 写出到文件。 '''
    f = open(filePath, 'w')
    f.write(hosts)
    f.close()
    
def run():
    ''' 主运行函数。 '''
    page = retrievePage(url)
    
    roughHosts = matchHostList(page)
    preciseHosts = removeHtmlLabels(translateSpaceEntity(roughHosts))
    
    extraInfo = '''#Hosts updated at %s
#Script written by mlxy@https://github.com/mlxy, feel free to modify and distribute it.
''' %matchTimeUpdated(page)
    hostsWithExtra = addExtraInfo(preciseHosts, extraInfo)
    
    write2File(hostsWithExtra, hostsPath)
    
if __name__ == '__main__':
    run()