爬蟲——爬蟲中使用正則表達式
阿新 • • 發佈：2017-07-20
txt文件 點擊 頁碼 range safari 頁面 gen odin ace
下面我們嘗試爬取內涵段子網站：http://www.neihan8.com/article/list_5_1.html
打開之後，當你進行翻頁的時候，不能註意到，url地址的變化：
-
第一頁url: http: //www.neihan8.com/article/list_5_1 .html
-
第二頁url: http: //www.neihan8.com/article/list_5_2 .html
-
第三頁url: http: //www.neihan8.com/article/list_5_3 .html
-
第四頁url: http: //www.neihan8.com/article/list_5_4 .html
這樣，我們把url規律找到了，要想爬取所有的段子，只需要修改一個參數即可。下面，我們就開始一步一步將所有的段子爬取下來。
第一步：獲取網頁數據（網頁上全部內容）
1.按照我們之前的用法，我們需要寫一個加載頁面的方法。
這裏我們定義一個類，將url請求作為一個成員方法處理。
我們創建一個duanzi_spider.py文件。
然後定義一個Spider類，並且添加一個加載頁面的成員方法
#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = ‘mayi‘
import requests
class Spider(object):
"""
一個爬蟲類
"""
def loadPage(self, url):
"""
下載指定url頁面的內容
:return:
"""
# User-Agent頭
header = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36‘}
response = requests.get(url = url, headers = header)
html = response.content.decode("gb18030")
# 打印頁面內容
print(html)
# 返回頁面內容
return html
2.寫main函數測試loadPage()方法
if __name__ == ‘__main__‘:
# 實例化類對象
my_spider = Spider()
# 讓用戶輸入需爬取頁面的頁碼
page = int(input("請輸入你需要爬取的頁碼："))
# 拼接用戶需爬取頁面的url地址
url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
html = my_spider.loadPage(url)
第二步：篩選數據
我們已經得到了整個頁面的數據。但是，裏面有很多內容我們並不需要，所以下一步我們需要對上面爬取的內容進行篩選。如果篩選，這裏就用到了我們前面講到的正則表達式。
- 首先
import re
- 然後：在我們得到的html中進行篩選匹配。
我們需要一個匹配規則：
我們可以打開內涵段子的網頁，鼠標點擊右鍵“查看源代碼”，你會發現，我們需要的每個段子的內容都是在一個<div>標簽中，而且每個div都有一個屬性class="f18 mb20"
所以，我們只需要匹配到網頁中所有<div class="f18 mb20">到</div>的數據就可以了。
根據正則表達式，我們可以推算出一個公式是：
<div class="f18 mb20">(.*?)</div>
- 這個表達式實際上就是匹配到所有div中class="f18 mb20"裏面的內容
- 然後將這個正則應用到代碼中，我們會得到以下代碼：
#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = ‘mayi‘
import requests
import re
class Spider(object):
"""
一個爬蟲類
"""
def loadPage(self, url):
"""
下載指定url頁面的內容
:return:
"""
# User-Agent頭
header = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36‘}
response = requests.get(url = url, headers = header)
html = response.content
return html.decode("gb18030")
def screenPage(self, html):
"""
篩選html內容，返回列表
:param html:
:return:
"""
# <div class="f18 mb20">...</div>
pattern = re.compile(r‘<div class="f18 mb20">(.*?)</div>‘, re.S)
item_list = pattern.findall(html)
return item_list
if __name__ == ‘__main__‘:
# 實例化類對象
my_spider = Spider()
# 讓用戶輸入需爬取頁面的頁碼
page = int(input("請輸入你需要爬取的頁碼："))
# 拼接用戶需爬取頁面的url地址
url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
# 下載網頁內容
html = my_spider.loadPage(url)
# 篩選數據
item_list = my_spider.screenPage(html)
- 這裏需要註意的是re.S是正則表達式中匹配的一個參數。
- 如果沒有re.S，則是只匹配一行中有沒有符合規則的字符串，如果沒有則下一行重新匹配。
- 如果加上re.S則是將所有的字符串作為一個整體進行匹配，findall將所有匹配到的結果返回列表中。
第三步：保存數據
我們可以將所有的段子存放在文件中。
def writePage(self, list):
"""
以追加的形式存儲篩選後的內容
:param list: 篩選後的數據，列表形式
:return:
"""
with open(self.file_name, "a", encoding = "utf-8") as f:
for content in list:
# 段子內容：因為段子中有很多<p>，</p>，<br />。。。，還有一些轉義字符。在這裏作下替換
content = content.replace("…", "…").replace("“", "“").replace("”", "”")
content = content.replace(" ", "").replace("\t", "").replace(":", "：")
content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
content = content.replace("\u3000", "").replace("\r\n\r\n", "\r\n")
content = content.strip()
# 寫入一個段子的內容
f.write(content)
# 我是分割線
f.write("*" * 30)
第四步：完整的程序
#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = ‘mayi‘
import requests
import re
class Spider(object):
"""
一個爬蟲類
"""
def __init__(self, start_page, end_page):
"""
類的初始化函數
:param start_page:
:param end_page:
:return:
"""
self.start_page = start_page
self.end_page = end_page
self.file_name = "duanzi.txt"
def loadPage(self, url):
"""
下載指定url頁面的內容
:return:
"""
# User-Agent頭
header = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36‘}
response = requests.get(url = url, headers = header)
html = response.content
return html.decode("gb18030")
def screenPage(self, html):
"""
篩選html內容，返回列表
:param html:
:return:
"""
# <div class="f18 mb20">...</div>
pattern = re.compile(r‘<div class="f18 mb20">(.*?)</div>‘, re.S)
item_list = pattern.findall(html)
return item_list
def writePage(self, list):
"""
以追加的形式存儲篩選後的內容
:param list: 篩選後的數據，列表形式
:return:
"""
with open(self.file_name, "a", encoding = "utf-8") as f:
for content in list:
# 段子內容：因為段子中有很多<p>，</p>，<br />。。。，還有一些轉義字符。在這裏作下替換
content = content.replace("…", "…").replace("“", "“").replace("”", "”")
content = content.replace(" ", "").replace("\t", "").replace(":", "：")
content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
content = content.replace("\u3000", "").replace("\r\n\r\n", "\r\n").replace("\r\n", "\n")
content = content.strip()
# 寫入一個段子的內容
f.write(content)
# 我是分割線
f.write("*" * 30)
def run(self):
"""
讓爬蟲開始工作
:return:
"""
# 循環處理我們需要爬取的頁面
for page in range(self.start_page, self.end_page + 1):
# 拼接當前頁碼page的url地址
url = "http://www.neihan8.com/article/list_5_{}.html".format(str(page))
print("正在下載第{}頁".format(str(page)))
# 下載url對應的全部內容
html = self.loadPage(url)
# 篩選數據
item_list = self.screenPage(html)
# 存儲篩選後的數據
self.writePage(item_list)
# 主函數
if __name__ == ‘__main__‘:
# 讓用戶輸入需爬取頁面的起始頁碼
start_page = int(input("請輸入您需要爬取的起始頁："))
# 讓用戶輸入需爬取頁面的終止頁碼
end_page = int(input("請輸入您需要爬取的終止頁："))
# 實例化類對象
mySpider = Spider(start_page, end_page)
# 讓爬蟲開始工作
mySpider.run()
最後，我們執行上面的代碼，完成後查看當前路徑下的duanzi.txt文件，裏面已經有我們要的內涵段子。
以上便是一個非常精簡的小爬蟲程序，使用起來很方便，如果想要爬取其他網站的信息，只需要修改其中某些參數和一些細節就行了。
爬蟲——爬蟲中使用正則表達式