Python爬蟲(十一)_案例：使用正則表示式的爬蟲
阿新 • • 發佈：2018-12-17
本章將結合先前所學的爬蟲和正則表示式知識，做一個簡單的爬蟲案例，更多內容請參考:Python學習指南
現在擁有了正則表示式這把神兵利器，我們就可以進行對爬取到的全部網頁原始碼進行篩選了。
下面我們一起嘗試一下爬取內涵段子網站：
http://www.neihan8.com/article/list_5_1.html
開啟之後，不難看出裡面一個一個非常有內涵的段子，當你進行翻頁的時候，注意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
這樣我們的url規律找到了，要想爬取所有的段子，只需要修改一個引數即可。
我們就開始一步一步將所有的段子爬取下來吧。
第一步：獲取資料
1. 按照我們之前的用法，我們需要一個載入頁面的方法。
這裡我們統一定義一個類，將url請求作為一個成員方法處理。
我們建立了一個檔案，叫duanzi_spider.py
然後定義一個Spider類，並且新增一個載入頁面的成員方法。
import urllib2
class Spider:
""" 內涵段子爬蟲類 """ def loadPage(self, page): """ @brief 定義一個url請求網頁的方法 @param page需要請求的第幾頁 @returns 返回的頁面url """ url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html" #user-Agent頭 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的實現思想想必大家都應該熟悉了，需要注意定義python類的成員方法需要額外新增一個引數self.
2.寫main函式測試一個loadPage方法
if __name__ == "__main__":
"""
=====================
內涵段子小爬蟲
=====================
"""
print("請按下回車開始")
raw_input()
#定義一個Spider物件 mySpider = Spider() mySpider.loadPage(1)- 程式正常執行的話，我們會在皮姆上列印了內涵段子第一頁的全部html程式碼。但是我們發現，html中的中文部分顯示的可能是亂碼。
那麼我們需要簡單的將得到的網頁原始碼處理一下：
def loadPage(self, page):
""" @bridf 定義一個url請求網頁的方法 @param page 需要請求的第幾頁 @returns 返回的頁面html """ url = "http://www.neihan8.com/article/list_5_"+str(page)+".html" #user-agent頭 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：對於每個網站對中文的編碼各自不同，所以html.decode("gbk")的寫法並不是通用的，根據網站的編碼而異。
第二步：篩選資料
接下來我們已經得到了整個頁面的資料。但是，很多內容我們並不關心，所以下一步我們需要篩選資料。如何篩選，就用到了上一節講述的正則表示式
- 首先
import re- 然後，我們得到的gbk_html中進行篩選匹配。
我們需要一個匹配規則
我們可以開啟內涵段子的網頁，滑鼠點選右鍵"檢視原始碼"你會驚奇的發現，我們需要的每個段子的內容都是在一個
<div>標籤中，而且每個div標籤都有一個屬性class="f18 mb20"
根據正則表示式，我們可以推算出一個公式是：
<div.*?class="f18 mb20">(.*?)</div>- 這個表示式實際上就是匹配到所有
div中class="f18 mb20"裡面的內容(具體可以看前面介紹)
- 然後這個正則應用到程式碼中，我們會得到以下程式碼：
def loadPage(self, page):
""" @brief 定義一個url請求網頁的辦法 @param page 需要請求的第幾頁 @returns 返回的頁面html """ url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html" #User-Agent頭 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") #找到所有的段子內容<div class="f18 mb20"></div> #re.S 如果沒有re.S,則是隻匹配一行有沒有符合規則的字串，如果沒有則匹配下一行重新匹配 #如果加上re.S,則是將所有的字串按一個整體進行匹配 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 處理得到的段子列表 @param item_list 得到的段子列表 @param page處理第幾頁 """ print("*********第%d頁，爬取完畢...******"%page) for item in item_list: print("===============") print ite
- 這裡需要注意一個是
re.S是正則表示式中匹配的一個引數。
- 如果沒有re.S則是隻匹配一行有沒有符合規則的字串，如果沒有則下一行重新匹配。
- 如果加上re.S則是將所有的字串按一個整體進行匹配，findall將匹配到的所有結果封裝到一個list中。
- 如果我們寫了一個遍歷
item_list的一個方法printOnePage()。ok程式寫到這，我們再一次執行一下。
python duanzi_spider.py我們第一頁的全部段子，不包含其他資訊全部的列印了出來.
- 你會發現段子中有很多
<p>,</p>很是不舒服，實際上這個是html的一種段落的標籤。 - 在瀏覽器上看不出來，但是如果按照文字列印會有
<p>出現，那麼我們只需要把我們的內容去掉即可。
- 我們可以如下簡單修改一下printOnePage()
def printOnePage(self, item_list, page):
""" @brief 處理得到的段子列表 @param item_list 得到的段子列表 @param page 處理第幾頁 """ print("******第%d頁,爬取完畢*****"%page) for item in item_list: print("============") item = item.replace("<p>", "").replace("</p>", "").replace("<br />", "") print item第三步：儲存資料
- 我們可以將所有的段子存放在檔案中。比如，我們可以將得到的每個item不是打印出來，而是放在一個叫duanzi.txt的檔案中也可以。
def writeToFile(self, text):
""" @brief 將資料追加寫進檔案中 @param text 檔案內容 """ myFile = open("./duanzi.txt", "a") #a追加形式開啟檔案 myFile.write(text) myFile.write("-------------------------") myFile.close()- 然後我們將所有的print的語句改寫成writeToFile(), 當前頁面的所有段子就存在了本地的duanzi.txt檔案中。
def printOnePage(self, item_list, page):
""" @brief 處理得到的段子列表 @param item_list 得到的段子列表 @param page 處理第幾頁 """ print("***第%d頁，爬取完畢****"%page) for item in item_list: item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "") self.writeToFile(item)第四步：顯示資料
-
接下來我們就通過引數的傳遞對page進行疊加來遍歷內涵段子吧的全部段子內容。
-
只需要在外層加上一些邏輯處理即可。
def doWork(self):
""" 讓爬蟲開始工作 """ while self.enable: try: item_list = self.loadPage(self.page) except urllib2.URLError, e: print e.reason continue #將得到的段子item_list處理 self.printOnePage(item_list, self.page) self.page += 1 print "按回車繼續...." print "輸入quit退出" command = raw_input() if(command == "quit"): self.enable = False break
- 最後，我們執行我們的程式碼，完成後檢視當前路徑下的duanzi.txt檔案，裡面已經有了我們要的內涵段子。
以上便是一個非常精簡的小爬蟲程式，使用起來很是方便，如果想要爬取其它網站的資訊，只需要修改其中某些引數和一些細節即可。
本章將結合先前所學的爬蟲和正則表示式知識，做一個簡單的爬蟲案例，更多內容請參考:Python學習指南
現在擁有了正則表示式這把神兵利器，我們就可以進行對爬取到的全部網頁原始碼進行篩選了。
下面我們一起嘗試一下爬取內涵段子網站：
http://www.neihan8.com/article/list_5_1.html
開啟之後，不難看出裡面一個一個非常有內涵的段子，當你進行翻頁的時候，注意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
這樣我們的url規律找到了，要想爬取所有的段子，只需要修改一個引數即可。
我們就開始一步一步將所有的段子爬取下來吧。
第一步：獲取資料
1. 按照我們之前的用法，我們需要一個載入頁面的方法。
這裡我們統一定義一個類，將url請求作為一個成員方法處理。
我們建立了一個檔案，叫duanzi_spider.py
然後定義一個Spider類，並且新增一個載入頁面的成員方法。
import urllib2
class Spider:
""" 內涵段子爬蟲類 """ def loadPage(self, page): """ @brief 定義一個url請求網頁的方法 @param page需要請求的第幾頁 @returns 返回的頁面url """ url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html" #user-Agent頭 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的實現思想想必大家都應該熟悉了，需要注意定義python類的成員方法需要額外新增一個引數self.
2.寫main函式測試一個loadPage方法
if __name__ == "__main__":
"""
=====================
內涵段子小爬蟲
=====================
"""
print("請按下回車開始")
raw_input()
#定義一個Spider物件 mySpider = Spider() mySpider.loadPage(1)- 程式正常執行的話，我們會在皮姆上列印了內涵段子第一頁的全部html程式碼。但是我們發現，html中的中文部分顯示的可能是亂碼。
那麼我們需要簡單的將得到的網頁原始碼處理一下：
def loadPage(self, page):
""" @bridf 定義一個url請求網頁的方法 @param page 需要請求的第幾頁 @returns 返回的頁面html """ url = "http://www.neihan8.com/article/list_5_"+str(page)+".html" #user-agent頭 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：對於每個網站對中文的編碼各自不同，所以html.decode("gbk")的寫法並不是通用的，根據網站的編碼而異。
第二步：篩選資料
接下來我們已經得到了整個頁面的資料。但是，很多內容我們並不關心，所以下一步我們需要篩選資料。如何篩選，就用到了上一節講述的正則表示式
- 首先
import re- 然後，我們得到的gbk_html中進行篩選匹配。
我們需要一個匹配規則
我們可以開啟內涵段子的網頁，滑鼠點選右鍵"檢視原始碼"你會驚奇的發現，我們需要的每個段子的內容都是在一個
<div>標籤中，而且每個div標籤都有一個屬性class="f18 mb20"
根據正則表示式，我們可以推算出一個公式是：
<div.*?class="f18 mb20">(.*?)</div>- 這個表示式實際上就是匹配到所有
div中class="f18 mb20"裡面的內容(具體可以看前面介紹)
- 然後這個正則應用到程式碼中，我們會得到以下程式碼：
def loadPage(self, page):
""" @brief 定義一個url請求網頁的辦法 @param page 需要請求的第幾頁 @returns 返回的頁面html """ url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html" #User-Agent頭 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") #找到所有的段子內容<div class="f18 mb20"></div> #re.S 如果沒有re.S,則是隻匹配一行有沒有符合規則的字串，如果沒有則匹配下一行重新匹配 #如果加上re.S,則是將所有的字串按一個整體進行匹配 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 處理得到的段子列表 @param item_list 得到的段子列表 @param page處理第幾頁 """ print("*********第%d頁，爬取完畢...******"%page) for item in item_list: print("===============") print ite
- 這裡需要注意一個是
re.S是正則表示式中匹配的一個引數。
- 如果沒有re.S則是隻匹配一行有沒有符合規則的字串，如果沒有則下一行重新匹配。
- 如果加上re.S則是將所有的字串按一個整體進行匹配，findall將匹配到的所有結果封裝到一個list中。
- 如果我們寫了一個遍歷
item_list的一個方法printOnePage()。ok程式寫到這，我們再一次執行一下。
python duanzi_spider.py我們第一頁的全部段子，不包含其他資訊全部的列印了出來.
- 你會發現段子中有很多
<p>,</p>很是不舒服，實際上這個是html的一種段落的標籤。 - 在瀏覽器上看不出來，但是如果按照文字列印會有
<p>出現，那麼我們只需要把我們的內容去掉即可。
- 我們可以如下簡單修改一下printOnePage()
def printOnePage(self, item_list, page):
""" @brief 處理得到的段子列表 @param item_list 得到的段子列表 @param page 處理第幾頁 """ print("******第%d頁,爬取完畢*****"%page) for item in item_list: print("============") item = item.replace("<p>", "").replace("</p>", "").replace("<br />", "") print item第三步：儲存資料
- 我們可以將所有的段子存放在檔案中。比如，我們可以將得到的每個item不是打印出來，而是放在一個叫duanzi.txt的檔案中也可以。
def writeToFile(self, text):
""" @brief 將資料追加寫進檔案中 @param text 檔案內容 """ myFile = open("./duanzi.txt", "a") #a追加形式開啟檔案 myFile.write(text) myFile.write("-------------------------") myFile.close()- 然後我們將所有的print的語句改寫成writeToFile(), 當前頁面的所有段子就存在了本地的duanzi.txt檔案中。
def printOnePage(self, item_list, page):
""" @brief 處理得到的段子列表 @param item_list 得到的段子列表 @param page 處理第幾頁 """ print("***第%d頁，爬取完畢****"%page) for item in item_list: item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "") self.writeToFile(item)第四步：顯示資料
-
接下來我們就通過引數的傳遞對page進行疊加來遍歷內涵段子吧的全部段子內容。
-
只需要在外層加上一些邏輯處理即可。
def doWork(self):
""" 讓爬蟲開始工作 """ while self.enable: try: item_list = self.loadPage(self.page) except urllib2.URLError, e: print e.reason continue #將得到的段子item_list處理 self.printOnePage(item_list, self.page) self.page += 1 print "按回車繼續...." print "輸入quit退出" command = raw_input() if(command == "quit"): self.enable = False break
- 最後，我們執行我們的程式碼，完成後檢視當前路徑下的duanzi.txt檔案，裡面已經有了我們要的內涵段子。
以上便是一個非常精簡的小爬蟲程式，使用起來很是方便，如果想要爬取其它網站的資訊，只需要修改其中某些引數和一些細節即可。