Python爬虫入门

最新学习Python,以爬虫作为练手的工具来开发。

Python提供了urllib用于抓取网页的内容，十分的简单。再配合正则表达式或者HTML解析包，可以十分容易的实现爬虫，但是若开发大数据的则需要到分布式的爬虫，此处暂且不提。

首先提供一个简单的抓取单页内容的示例程序，并演示正则表达式的使用方法；示例如下：

#encoding:UTF-8
import urllib.request
import re
def fetch(url):
    fb = urllib.request.urlopen(url)
    data = fb.read()
    data = data.decode('UTF-8')
   # print(data)
    titlelist = []
    titlelist = re.compile(r'<a  href="/([A-Za-z]{3,15})" οnclick="pageTracker._trackPageview\(\'dp_citylist_new_pinyin_(strongcity)_(\d+)_(\d+)\'\);"><strong>(.*?)</strong></a><span class="sep">',re.DOTALL).findall(data)
    titlelist2 = []
    titlelist2 = re.compile(r'<a  href="/([A-Za-z]{3,15})"  οnclick="pageTracker._trackPageview\(\'dp_citylist_new_pinyin_(lightcity)_(\d+)_(\d+)\'\);">(.*?)</a><span class="sep">',re.DOTALL).findall(data)
   # titlelist.append(titlelist2)
    print('国内较大城市以及国外城市(%d个)：'%len(titlelist))
    for i in range(0,len(titlelist)):
        print(titlelist[i],'\n')
    print('国内较小城市(%d个)：'%len(titlelist2))
    for i in range(0,len(titlelist2)):
        print(titlelist2[i],'\n')

if __name__ ==  "__main__" :
    url = r'http://www.dianping.com'
    fetch(url)

本例用美团网的首页作为目标程序，抓取其中所有的城市列表，示例中展示了正则包re中complie以及findall的使用方法，以及捕获组的使用，对于捕获组您可以自己尝试下正则字符串中去掉“（）”和加上“（）”得到的内容的不同。

如有其他问题请发留言，不胜感激您的阅读！