Python 正则表达式爬虫使用案例解析
现在拥有了正则表达式这把神兵利器,我们就可以进行对爬取到的全部网页源代码进行筛选了。 下面我们一起尝试一下爬取内涵段子网站: http://www.neihan8.com/article/list_5_1.html 打开之后,不难看出里面一个一个非常有内涵的段子,当你进行翻页的时候,注意url地址的变化:
这样我们的url规律找到了,要想爬取所有的段子,只需要修改一个参数即可。 我们就开始一步一步将所有的段子爬取下来吧。 第一步:获取数据 1. 按照我们之前的用法,我们需要一个加载页面的方法。 这里我们统一定义一个类,将url请求作为一个成员方法处理。 我们创建了一个文件,叫duanzi_spider.py 然后定义一个Spider类,并且添加一个加载页面的成员方法。 import urllib2 class Spider: """ 内涵段子爬虫类 """ def loadPage(self,page): """ @brief 定义一个url请求网页的方法 @param page需要请求的第几页 @returns 返回的页面url """ url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html" #user-Agent头 user_agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0" headers = {"User-Agent":user_agent} req = urllib2.Request(url,headers = headers) response = urllib2.urlopen(req) print html 以上的loadPage的实现思想想必大家都应该熟悉了,需要注意定义python类的成员方法需要额外添加一个参数self. 2.写main函数测试一个loadPage方法 if __name__ == "__main__": """ ===================== 内涵段子小爬虫 ===================== """ print("请按下回车开始") raw_input() #定义一个Spider对象 mySpider = Spider() mySpider.loadPage(1) 程序正常执行的话,我们会在皮姆上打印了内涵段子第一页的全部html代码。但是我们发现,html中的中文部分显示的可能是乱码。 那么我们需要简单的将得到的网页源代码处理一下: def loadPage(self,page): """ @bridf 定义一个url请求网页的方法 @param page 需要请求的第几页 @returns 返回的页面html """ url = "http://www.neihan8.com/article/list_5_"+str(page)+".html" #user-agent头 user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0" headers = {"User-Agent":user-agent} req = urllib2.Request(url,headers = headers) response = urllib2.urlopen(req) html = response.read() gbk_html = html.decode("gbk").encode("utf-8") return gbk_html 注意:对于每个网站对中文的编码各自不同,所以html.decode("gbk")的写法并不是通用的,根据网站的编码而异。 第二步:筛选数据 接下来我们已经得到了整个页面的数据。但是,很多内容我们并不关心,所以下一步我们需要筛选数据。如何筛选,就用到了上一节讲述的正则表达式 首先 import re 然后,我们得到的gbk_html中进行筛选匹配。 我们需要一个匹配规则 我们可以打开内涵段子的网页,鼠标点击右键"查看源代码"你会惊奇的发现,我们需要的每个段子的内容都是在一个<div>标签中,而且每个div标签都有一个属性class="f18 mb20" 根据正则表达式,我们可以推算出一个公式是:
这个表达式实际上就是匹配到所有div中class="f18 mb20"里面的内容(具体可以看前面介绍) 然后这个正则应用到代码中,我们会得到以下代码: def loadPage(self,page): """ @brief 定义一个url请求网页的办法 @param page 需要请求的第几页 @returns 返回的页面html """ url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html" #User-Agent头 user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0" headers = {"User-Agent":user-agent} req = urllib2.Request(url,headers=headers) response = urllib2.urlopen(req) html = response.read() gbk_html = html.decode("gbk").encode("utf-8") #找到所有的段子内容<div class="f18 mb20"></div> #re.S 如果没有re.S,则是只匹配一行有没有符合规则的字符串,如果没有则匹配下一行重新匹配 #如果加上re.S,则是将所有的字符串按一个整体进行匹配 pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>',re.S) item_list = pattern.findall(gbk_html) return item_list def printOnePage(self,item_list,page): """ @brief 处理得到的段子列表 @param item_list 得到的段子列表 @param page处理第几页 """ print("*********第%d页,爬取完毕...******"%page) for item in item_list: print("===============") print ite 这里需要注意一个是re.S是正则表达式中匹配的一个参数。
python duanzi_spider.py 我们第一页的全部段子,不包含其他信息全部的打印了出来.
def printOnePage(self,page): """ @brief 处理得到的段子列表 @param item_list 得到的段子列表 @param page 处理第几页 """ print("******第%d页,爬取完毕*****"%page) for item in item_list: print("============") item = item.replace("<p>","").replace("</p>","").replace("<br />","") print item 第三步:保存数据 我们可以将所有的段子存放在文件中。比如,我们可以将得到的每个item不是打印出来,而是放在一个叫duanzi.txt的文件中也可以。 def writeToFile(self,text): """ @brief 将数据追加写进文件中 @param text 文件内容 """ myFile = open("./duanzi.txt","a") #a追加形式打开文件 myFile.write(text) myFile.write("-------------------------") myFile.close() 然后我们将所有的print的语句改写成writeToFile(),当前页面的所有段子就存在了本地的duanzi.txt文件中。 def printOnePage(self,page): """ @brief 处理得到的段子列表 @param item_list 得到的段子列表 @param page 处理第几页 """ print("***第%d页,爬取完毕****"%page) for item in item_list: item = item.replace("<p>","").replace("<br />". "") self.writeToFile(item) 第四步:显示数据 接下来我们就通过参数的传递对page进行叠加来遍历内涵段子吧的全部段子内容。 只需要在外层加上一些逻辑处理即可。 def doWork(self): """ 让爬虫开始工作 """ while self.enable: try: item_list = self.loadPage(self.page) except urllib2.URLError,e: print e.reason continue #将得到的段子item_list处理 self.printOnePage(item_list,self.page) self.page += 1 print "按回车继续...." print "输入quit退出" command = raw_input() if(command == "quit"): self.enable = False break 以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我们。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |