案例:使用正则表达式的爬虫
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,不难看到里面一个一个灰常有内涵的段子,当你进行翻页的时候,注意url地址的变化:
-
第一页url: http: //www.neihan8.com/article/list_5_1 .html
-
第二页url: http: //www.neihan8.com/article/list_5_2 .html
-
第三页url: http: //www.neihan8.com/article/list_5_3 .html
-
第四页url: http: //www.neihan8.com/article/list_5_4 .html
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。 下面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,我们需要写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 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的实现体想必大家应该很熟悉了,需要注意定义python类的成员方法需要额外添加一个参数self
.
-
那么loadPage(self, page) 中的page是我们指定去请求第几页。
-
最后通过 print html打印到屏幕上。
-
然后我们写一个main函数见到测试一个loadPage方法
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)
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):
"""
@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 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_html
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’)的写法并不是通用写法,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进行筛选。 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, 在我们得到的
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
都有一个属性class = "f18 mb20"
所以,我们只需要匹配到网页中所有
<div class="f18 mb20">
到</div>
的数据就可以了。
根据正则表达式,我们可以推算出一个公式是:
<div.*?class="f18 mb20">(.*?)</div>
-
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(具体可以看前面正则介绍) -
然后将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 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,如果没有则下一行重新匹配
# 如果加上re.S 则是将所有的字符串将一个整体进行匹配
pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</di
v>', 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 item
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。如果 没有re.S 则是 只匹配一行 有没有符合规则的字符串,如果没有则下一行重新匹配。
- 如果 加上re.S 则是将 所有的字符串 将一个整体进行匹配,findall 将所有匹配到的结果封装到一个list中。
- 然后我们写了一个遍历
item_list
的一个方法printOnePage()
。 ok程序写到这,我们再一次执行一下。
Power@PowerMac ~$ 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。
- 你会发现段子中有很多
<p>
,</p>
很是不舒服,实际上这个是html的一种段落的标签。 -
在浏览器上看不出来,但是如果按照文本打印会有
<p>
出现,那么我们只需要把我们不希望的内容去掉即可了。 -
我们可以如下简单修改一下 printOnePage().
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 "================"
item = item.replace("<p>", "").replace("</p>", "").repl
ace("<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,而是存放在一个叫 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') #追加形式打开文件
myFile.write(text)
myFile.write("---------------------------------------------
--------")
myFile.close()
- 然后我们将print的语句 改成
writeToFile()
,当前页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 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>", "").repl
ace("<br />", "")
# print item
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
#对得到的段子item_list处理
self.printOnePage(item_list, self.page)
self.page += 1 #此页处理完毕,处理下一页
print "按回车继续..."
print "输入 quit 退出"
command = raw_input()
if (command == "quit"):
self.enable = False
break
- 最后,我们执行我们的代码,完成后查看当前路径下的duanzi.txt文件,里面已经有了我们要的内涵段子。
以上便是一个非常精简使用的小爬虫程序,使用起来很是方便,如果想要爬取其他网站的信息,只需要修改其中某些参数和一些细节就行了。
以上博文来自传智播客--->以下为py3代码, 亲测可用
python3 完整代码:
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
import sys from urllib import request, parse import re import chardet class Spider: def __init__(self): # 初始化起始页位置 self.page = 1 # 爬取开关, 如果为True继续爬取, 反之停止 self.switch = True def loadPage(self): """ 下载页面 """ print("正在下载数据.....") url = "http://www.neihan8.com/article/list_5_"+str(self.page)+".html" # 字符串拼接url headers = {"User-Agent":"Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"} # 构建请求, 返回req对象 req = request.Request(url, headers=headers) # 发送请求, 返回response相应 response = request.urlopen(req) # html为每页的源码, 格式为字符串 html = response.read() encode_type = chardet.detect(html) # print("编码格式为:--->"+str(encode_type)) html = html.decode(encode_type['encoding']) # print(html) # 创建一个正则表达式规则对象, 匹配每页里段子内容, re.S表示为匹配去啊怒字符串对象 pattern = re.compile('<div class="f18 mb20">(.*?)</div>', re.S) # 将正则匹配对象应用到html源码字符串内, 返回这个页面内的所有段子的列表 content_list = pattern.findall(html) self.dealPage(content_list) def dealPage(self, content_list): """处理每页的段子""" print("正在处理数据.....") for content in content_list: # 将集合里的每个段子挨个处理, 替换掉无用数据 content = content.replace("<p>", "").replace("<br />", "").replace("“", "").replace("”", "").replace(" ", "") # print(content) self.writePage(content) print("正在保存数据.....") def writePage(self, content): """把每条段子逐个写入到文件中""" with open("段子.txt", "a") as f: f.write(content) def startWork(self): """控制爬虫爬行""" # 爬虫开关 while self.switch: self.loadPage() command = input("如果继续爬取, 请按回车(退出输入quit)") if command == "quit": print("OKKKKKKKKKKKKKK") self.switch = False self.page += 1 print("谢谢使用!!!") if __name__ == "__main__": neihan = Spider() neihan.startWork()