現(xiàn)在擁有了正則表達(dá)式這把神兵利器，我們就可以進(jìn)行對(duì)爬取到的全部網(wǎng)頁(yè)源代碼進(jìn)行篩選了。

下面我們一起嘗試一下爬取內(nèi)涵段子網(wǎng)站：
http://www.neihan8.com/article/list_5_1.html

打開(kāi)之后，不難看出里面一個(gè)一個(gè)非常有內(nèi)涵的段子，當(dāng)你進(jìn)行翻頁(yè)的時(shí)候，注意url地址的變化：

• • 第一頁(yè)url: http: //www.neihan8.com/article/list_5_1 .html
    
  • 第二頁(yè)url: http: //www.neihan8.com/article/list_5_2 .html
    
  • 第三頁(yè)url: http: //www.neihan8.com/article/list_5_3 .html
    
  • 第四頁(yè)url: http: //www.neihan8.com/article/list_5_4 .html

這樣我們的url規(guī)律找到了，要想爬取所有的段子，只需要修改一個(gè)參數(shù)即可。
我們就開(kāi)始一步一步將所有的段子爬取下來(lái)吧。

第一步：獲取數(shù)據(jù)

1. 按照我們之前的用法，我們需要一個(gè)加載頁(yè)面的方法。

這里我們統(tǒng)一定義一個(gè)類，將url請(qǐng)求作為一個(gè)成員方法處理。
我們創(chuàng)建了一個(gè)文件，叫duanzi_spider.py
然后定義一個(gè)Spider類，并且添加一個(gè)加載頁(yè)面的成員方法。

import urllib2class Spider:"""內(nèi)涵段子爬蟲(chóng)類"""def loadPage(self, page):"""@brief 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的方法@param page需要請(qǐng)求的第幾頁(yè)@returns 返回的頁(yè)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(shí)現(xiàn)思想想必大家都應(yīng)該熟悉了，需要注意定義python類的成員方法需要額外添加一個(gè)參數(shù)self.

2.寫(xiě)main函數(shù)測(cè)試一個(gè)loadPage方法

if __name__ == "__main__":"""=====================內(nèi)涵段子小爬蟲(chóng)====================="""print("請(qǐng)按下回車開(kāi)始")raw_input()#定義一個(gè)Spider對(duì)象mySpider = Spider()mySpider.loadPage(1)

• 程序正常執(zhí)行的話，我們會(huì)在皮姆上打印了內(nèi)涵段子第一頁(yè)的全部html代碼。但是我們發(fā)現(xiàn)，html中的中文部分顯示的可能是亂碼。
  那么我們需要簡(jiǎn)單的將得到的網(wǎng)頁(yè)源代碼處理一下：
  

def loadPage(self, page):"""@bridf 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的方法@param page 需要請(qǐng)求的第幾頁(yè)@returns 返回的頁(yè)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(duì)于每個(gè)網(wǎng)站對(duì)中文的編碼各自不同，所以html.decode("gbk")的寫(xiě)法并不是通用的，根據(jù)網(wǎng)站的編碼而異。

第二步：篩選數(shù)據(jù)

接下來(lái)我們已經(jīng)得到了整個(gè)頁(yè)面的數(shù)據(jù)。但是，很多內(nèi)容我們并不關(guān)心，所以下一步我們需要篩選數(shù)據(jù)。如何篩選，就用到了上一節(jié)講述的正則表達(dá)式

• 首先
  

import re

• 然后，我們得到的gbk_html中進(jìn)行篩選匹配。

我們需要一個(gè)匹配規(guī)則

我們可以打開(kāi)內(nèi)涵段子的網(wǎng)頁(yè)，鼠標(biāo)點(diǎn)擊右鍵"查看源代碼"你會(huì)驚奇的發(fā)現(xiàn)，我們需要的每個(gè)段子的內(nèi)容都是在一個(gè)<div>標(biāo)簽中，而且每個(gè)div標(biāo)簽都有一個(gè)屬性class="f18 mb20"

根據(jù)正則表達(dá)式，我們可以推算出一個(gè)公式是：

<div.*?class="f18 mb20">(.*?)</div>

• 這個(gè)表達(dá)式實(shí)際上就是匹配到所有div中class="f18 mb20"里面的內(nèi)容(具體可以看前面介紹)
  
• 然后這個(gè)正則應(yīng)用到代碼中，我們會(huì)得到以下代碼：

def loadPage(self, page):"""@brief 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的辦法@param page 需要請(qǐng)求的第幾頁(yè)@returns 返回的頁(yè)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(nèi)容<div class="f18 mb20"></div>#re.S 如果沒(méi)有re.S,則是只匹配一行有沒(méi)有符合規(guī)則的字符串，如果沒(méi)有則匹配下一行重新匹配#如果加上re.S,則是將所有的字符串按一個(gè)整體進(jìn)行匹配pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', re.S)item_list = pattern.findall(gbk_html)return item_listdef 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(yè)"""print("*********第%d頁(yè)，爬取完畢...******"%page)for item in item_list:print("===============")print ite

• 這里需要注意一個(gè)是re.S是正則表達(dá)式中匹配的一個(gè)參數(shù)。
  
• 如果沒(méi)有re.S則是只匹配一行有沒(méi)有符合規(guī)則的字符串，如果沒(méi)有則下一行重新匹配。
  
• 如果加上re.S則是將所有的字符串按一個(gè)整體進(jìn)行匹配，findall將匹配到的所有結(jié)果封裝到一個(gè)list中。

• 如果我們寫(xiě)了一個(gè)遍歷item_list的一個(gè)方法printOnePage()。ok程序?qū)懙竭@，我們?cè)僖淮螆?zhí)行一下。

python duanzi_spider.py

我們第一頁(yè)的全部段子，不包含其他信息全部的打印了出來(lái).

• 你會(huì)發(fā)現(xiàn)段子中有很多<p>,</p>很是不舒服，實(shí)際上這個(gè)是html的一種段落的標(biāo)簽。
• 在瀏覽器上看不出來(lái)，但是如果按照文本打印會(huì)有<p>出現(xiàn)，那么我們只需要把我們的內(nèi)容去掉即可。
  
• 我們可以如下簡(jiǎn)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(yè)"""print("******第%d頁(yè),爬取完畢*****"%page) for item in item_list:print("============")item = item.replace("<p>", "").replace("</p>", "").replace("<br />", "")print item

?

第三步：保存數(shù)據(jù)

• 我們可以將所有的段子存放在文件中。比如，我們可以將得到的每個(gè)item不是打印出來(lái)，而是放在一個(gè)叫duanzi.txt的文件中也可以。

def writeToFile(self, text):"""@brief 將數(shù)據(jù)追加寫(xiě)進(jìn)文件中@param text 文件內(nèi)容"""myFile = open("./duanzi.txt", "a") #a追加形式打開(kāi)文件 myFile.write(text)myFile.write("-------------------------")myFile.close()

• 然后我們將所有的print的語(yǔ)句改寫(xiě)成writeToFile(), 當(dāng)前頁(yè)面的所有段子就存在了本地的duanzi.txt文件中。 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(yè)"""print("***第%d頁(yè)，爬取完畢****"%page)for item in item_list:item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "")self.writeToFile(item)

第四步：顯示數(shù)據(jù)

• 接下來(lái)我們就通過(guò)參數(shù)的傳遞對(duì)page進(jìn)行疊加來(lái)遍歷內(nèi)涵段子吧的全部段子內(nèi)容。

• 只需要在外層加上一些邏輯處理即可。

def doWork(self):"""讓爬蟲(chóng)開(kāi)始工作"""while self.enable:try:item_list = self.loadPage(self.page)except urllib2.URLError, e:print e.reasoncontinue#將得到的段子item_list處理 self.printOnePage(item_list, self.page)self.page += 1print "按回車?yán)^續(xù)...."print "輸入quit退出"command = raw_input()if(command == "quit"):self.enable = Falsebreak

?

轉(zhuǎn)載于:https://www.cnblogs.com/moying-wq/p/11569958.html

總結(jié)

以上是生活随笔為你收集整理的Python爬虫(九)_案例：使用正则表达式的爬虫的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。