案例：使用正則表達式的爬蟲
現(xiàn)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(wǎng)頁源代碼進行篩選了浪慌。
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
打開之后，不難看到里面一個一個灰常有內(nèi)涵的段子朴则，當(dāng)你進行翻頁的時候权纤，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(guī)律找到了，要想爬取所有的段子，只需要修改一個參數(shù)即可汹想。 下面我們就開始一步一步將所有的段子爬取下來吧外邓。
第一步：獲取數(shù)據(jù)
1. 按照我們之前的用法，我們需要寫一個加載頁面的方法欧宜。
這里我們統(tǒng)一定義一個類坐榆，將url請求作為一個成員方法處理。
我們創(chuàng)建一個文件冗茸，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 urllib2
class Spider:
"""
內(nèi)涵段子爬蟲類
"""
def loadPage(self, page):
"""
@brief 定義一個url請求網(wǎng)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(xiàn)體想必大家應(yīng)該很熟悉了匹中，需要注意定義python類的成員方法需要額外添加一個參數(shù)self.
那么loadPage(self, page) 中的page是我們指定去請求第幾頁夏漱。
最后通過 print html打印到屏幕上。
然后我們寫一個main函數(shù)見到測試一個loadPage方法
2. 寫main函數(shù)測試一個loadPage方法
if __name__ == '__main__':
"""
======================
內(nèi)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(zhí)行的話顶捷，我們會在屏幕上打印了內(nèi)涵段子第一頁的全部html代碼挂绰。 但是我們發(fā)現(xiàn)，html中的中文部分顯示的可能是亂碼 服赎。
那么我們需要簡單的將得到的網(wǎng)頁源代碼處理一下：
def loadPage(self, page):
"""
@brief 定義一個url請求網(wǎng)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_html
return gbk_html
注意 ：對于每個網(wǎng)站對中文的編碼各自不同葵蒂，所以html.decode(‘gbk’)的寫法并不是通用寫法，根據(jù)網(wǎng)站的編碼而異
- 這樣我們再次執(zhí)行以下duanzi_spider.py 重虑，會發(fā)現(xiàn)之前的中文亂碼可以正常顯示了践付。
第二步：篩選數(shù)據(jù)
接下來我們已經(jīng)得到了整個頁面的數(shù)據(jù)。 但是缺厉，很多內(nèi)容我們并不關(guān)心永高，所以下一步我們需要進行篩選。 如何篩選提针，就用到了上一節(jié)講述的正則表達式命爬。
- 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(guī)則:
我們可以打開內(nèi)涵段子的網(wǎng)頁辐脖，鼠標點擊右鍵 “ 查看源代碼 ” 你會驚奇的發(fā)現(xiàn)饲宛，我們需要的每個段子的內(nèi)容都是在一個
<div>標簽中，而且每個div都有一個屬性class = "f18 mb20"
所以嗜价，我們只需要匹配到網(wǎng)頁中所有
<div class="f18 mb20">到</div>的數(shù)據(jù)就可以了艇抠。
根據(jù)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(nèi)容(具體可以看前面正則介紹)然后將這個正則應(yīng)用到代碼中炭剪，我們會得到以下代碼：
def loadPage(self, page):
"""
@brief 定義一個url請求網(wǎng)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(nèi)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(guī)則的字符串练链，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_list
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...*******" %page
for 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(shù)。
- 如果 沒有re.S 則是 只匹配一行 有沒有符合規(guī)則的字符串奴拦，如果沒有則下一行重新匹配媒鼓。
- 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(jié)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()绿鸣。 ok程序?qū)懙竭@疚沐，我們再一次執(zhí)行一下潮模。
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(fā)現(xiàn)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别智，但是如果按照文本打印會有
<p>出現(xiàn)，那么我們只需要把我們不希望的內(nèi)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...*******" %page
for item in item_list:
print "================"
item = item.replace("<p>", "").replace("</p>", "").repl
ace("<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倚评。比如，我們可以將得到的每個item不是打印出來蛹尝，而是存放在一個叫 duanzi.txt 的文件中也可以构眯。
def writeToFile(self, text):
'''
@brief 將數(shù)據(jù)追加寫進文件中
@param text 文件內(nèi)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()壹店，當(dāng)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...*******" %page
for item in item_list:
# print "================"
item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
# print item
self.writeToFile(item)
第四步：顯示數(shù)據(jù)
接下來我們就通過參數(shù)的傳遞對page進行疊加來遍歷 內(nèi)涵段子吧的全部段子內(nèi)容抬旺。
只需要在外層加一些邏輯處理即可祥楣。
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.reason
continue
#對得到的段子item_list處理
self.printOnePage(item_list, self.page)
self.page += 1 #此頁處理完畢开财，處理下一頁
print "按回車繼續(xù)..."
print "輸入 quit 退出"
command = raw_input()
if (command == "quit"):
self.enable = False
break
- 最后，我們執(zhí)行我們的代碼误褪，完成后查看當(dāng)前路徑下的duanzi.txt文件责鳍，里面已經(jīng)有了我們要的內(nèi)涵段子。
以上便是一個非常精簡使用的小爬蟲程序兽间，使用起來很是方便历葛，如果想要爬取其他網(wǎng)站的信息，只需要修改其中某些參數(shù)和一些細節(jié)就行了嘀略。
