通过 正则表达式 来获取一个网页中的所有的 URL链接,并下载这些 URL链接 的源代码
使用的系统:Windows 10 64位
Python 语言版本:Python 2.7.10 V
使用的编程 Python 的集成开发环境:PyCharm 2016 04
我使用的 urllib 的版本:urllib2
注意: 我没这里使用的是 Python2 ,而不是Python3
一 . 前言
通过之前两节(爬取一个网页 的网络爬虫 和 解决爬取到的网页显示时乱码问题),我们终于完成了最终的 download()
函数。
并且上上一节 ,我们通过网站地图解析里面的URL的方式爬取了目标站点的所有网页。在 上一节,介绍一种方法来爬取一个网页里面所有的链接网页。这一节,我们通过正则表达式来获取一个网页中的所有的URL链接,并下载这些URL链接的源代码。
二 . 简介
到目前为止,我们已经利用目标网站的结构特点实现了两个简单爬虫。只要这两个技术可用,就应当使用其进行爬取,因为这两个方法最小化了需要下载的网页数量。不过,对于一些网站,我们需要让爬虫表现得更像普通用户:跟踪链接,访问感兴趣的内容。
通过跟踪所有链接的方式,我们可以很容易地下载整个网站的页面。但是这种方法会下载大量我们并不需要的网页。例如,我们想要从一个在线论坛中爬取用户账号详情页,那么此时我们只需要下载账户页,而不需要下载 讨论轮贴的页面。本篇博客中的链接爬虫将使用正则表达式来确定需要下载那些页面。
三 . 初级代码
import re
def link_crawler(seed_url, link_regex):
"""Crawl from the given seed URL following links matched by link_regex
"""
crawl_queue = [seed_url]
while crawl_queue:
url = crawl_queue.pop()
html = download(url)
# filter for links matching our regular expression
for link in get_links(html):
if re.match(link_regex, link):
crawl_queue.append(link)
def get_links(html):
"""Return a list of links from html
"""
# a regular expression to extract all links from the webpage
webpage_regex = re.compile('<a[^>]+href=["\'](.*?)["\']', re.IGNORECASE)
# list of all links from the webpage
return webpage_regex.findall(html)
四 . 讲解初级代码
1 .
def link_crawler(seed_url, link_regex):
这个函数就是我们要在外部使用的函数。功能:先下载 seed_url
网页的源代码,然后提取出里面所有的链接URL,接着对所有匹配到的链接URL与link_regex
进行匹配,如果链接URL里面有link_regex
内容,就将这个链接URL放入到队列中,下一次 执行 while crawl_queue:
就对这个 链接URL 进行同样的操作。反反复复,直到 crawl_queue
队列为空,才退出函数。
2 .
get_links(html)
函数的功能:用来获取 html
网页中所有的链接URL。
3 .
webpage_regex = re.compile('<a[^>]+href=["\']'(.*?)["\']', re.IGNORECASE)
做了一个匹配模板,存在 webpage_regex
对象里面 。匹配<a href="xxx">
这样的字符串,并提取出里面xxx
的内容,这个xxx
就是网址 URL 。
4 .
return webpage_regex.findall(html)
使用 webpage_regex
这个模板对 html
网页源代码匹配所有符合<a href="xxx">
格式的字符串,并提取出里面的 xxx
内容。
详细的正则表达式的知识,请到这个网站了解: