Python案例：使用正则表达式的爬虫
案例：使用正則表達式的爬蟲
現在擁有了正則表達式這把神兵利器，我們就可以進行對爬取到的全部網頁源代碼進行篩選了。
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
打開之后，不難看到里面一個一個灰常有內涵的段子，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吧。
第一步：獲取數據
1. 按照我們之前的用法，我們需要寫一個加載頁面的方法。
這里我們統一定義一個類，將url請求作為一個成員方法處理。
我們創建一個文件，叫duanzi_spider.py
然后定義一個Spider類，并且添加一個加載頁面的成員方法
import urllib2class 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 NT
6.1; Trident/5.0'headers = {'User-Agent': user_agent}req = urllib2.Request(url, headers = headers)response = urllib2.urlopen(req)html = response.read()print html#return html
以上的loadPage的實現體想必大家應該很熟悉了，需要注意定義python類的成員方法需要額外添加一個參數self.
-
那么loadPage(self, page) 中的page是我們指定去請求第幾頁。
-
最后通過 print html打印到屏幕上。
-
然后我們寫一個main函數見到測試一個loadPage方法
2. 寫main函數測試一個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對象mySpider = Spider()mySpider.loadpage(1)
-
程序正常執行的話，我們會在屏幕上打印了內涵段子第一頁的全部html代碼。 但是我們發現，html中的中文部分顯示的可能是亂碼 。
那么我們需要簡單的將得到的網頁源代碼處理一下：
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 NT
6.1; 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')# print gbk_htmlreturn gbk_html
注意 ：對于每個網站對中文的編碼各自不同，所以html.decode(‘gbk’)的寫法并不是通用寫法，根據網站的編碼而異
-
這樣我們再次執行以下duanzi_spider.py ，會發現之前的中文亂碼可以正常顯示了。
?
?
第二步：篩選數據
接下來我們已經得到了整個頁面的數據。 但是，很多內容我們并不關心，所以下一步我們需要進行篩選。 如何篩選，就用到了上一節講述的正則表達式。
- 首先
import re
- 然后, 在我們得到的
gbk_html中進行篩選匹配。
我們需要一個匹配規則:
我們可以打開內涵段子的網頁，鼠標點擊右鍵 “ 查看源代碼 ” 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?里面的內容(具體可以看前面正則介紹) -
然后將這個正則應用到代碼中，我們會得到以下代碼：
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 NT
6.1; 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 則是只匹配一行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將一個整體進行匹配pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</di
v>', 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"""print "******* 第 %d 頁 爬取完畢...*******" %pagefor item in item_list:print "================"print ite
這里需要注意一個是
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 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 將一個整體進行匹配，findall 將所有匹配到的結果封裝到一個list中。
- 然后我們寫了一個遍歷
item_list的一個方法?printOnePage()?。 ok程序寫到這，我們再一次執行一下。
Power@PowerMac ~$ python duanzi_spider.py
我們第一頁的全部段子，不包含其他信息全部的打印了出來。
- 你會發現段子中有很多?
<p>?,?</p>?很是不舒服，實際上這個是html的一種段落的標簽。 -
在瀏覽器上看不出來，但是如果按照文本打印會有
<p>出現，那么我們只需要把我們不希望的內容去掉即可了。 -
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...*******" %pagefor item in item_list:print "================"item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")print item
第三步：保存數據
- 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item不是打印出來，而是存放在一個叫 duanzi.txt 的文件中也可以。
def writeToFile(self, text):
'''@brief 將數據追加寫進文件中@param text 文件內容
'''myFile = open("./duanzi.txt", 'a') #追加形式打開文件myFile.write(text)myFile.write("---------------------------------------------
--------")myFile.close()
- 然后我們將print的語句 改成
writeToFile()?，當前頁面的所有段子就存在了本地的MyStory.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
'''print "******* 第 %d 頁 爬取完畢...*******" %pagefor item in item_list:# print "================"item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")# print itemself.writeToFile(item)
第四步：顯示數據
-
接下來我們就通過參數的傳遞對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.reasoncontinue#對得到的段子item_list處理self.printOnePage(item_list, self.page)self.page += 1 #此頁處理完畢，處理下一頁print "按回車繼續..."print "輸入 quit 退出"command = raw_input()if (command == "quit"):self.enable = Falsebreak
- 最后，我們執行我們的代碼，完成后查看當前路徑下的duanzi.txt文件，里面已經有了我們要的內涵段子。
以上便是一個非常精簡使用的小爬蟲程序，使用起來很是方便，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。
總結
以上是生活随笔為你收集整理的Python案例：使用正则表达式的爬虫的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Python：正则表达式re模块
- 下一篇： Python:XPath与lxml类库