Python 正則表達式爬蟲使用案例解析

更新時間：2019年09月23日 10:33:50 作者：那時的小鎮(zhèn)

這篇文章主要介紹了Python 正則表達式爬蟲使用案例解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

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，不難看出里面一個一個非常有內涵的段子，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(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。

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(shù)據(jù)

1. 按照我們之前的用法，我們需要一個加載頁面的方法。

這里我們統(tǒng)一定義一個類，將url請求作為一個成員方法處理。

我們創(chuàng)建了一個文件，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 urllib2
class 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url
    """
    url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html"
    #user-Agent頭
    user_agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0"
    headers = {"User-Agent":user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    print html

以上的loadPage的實現(xiàn)思想想必大家都應該熟悉了，需要注意定義python類的成員方法需要額外添加一個參數(shù)self.

2.寫main函數(shù)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(zhí)行的話，我們會在皮姆上打印了內涵段子第一頁的全部html代碼。但是我們發(fā)現(xiàn)，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):
  """
    @bridf 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 NT6.1; 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")
  return 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")的寫法并不是通用的，根據(jù)網站的編碼而異。

第二步：篩選數(shù)據(jù)

接下來我們已經得到了整個頁面的數(shù)據(jù)。但是，很多內容我們并不關心，所以下一步我們需要篩選數(shù)據(jù)。如何篩選，就用到了上一節(jié)講述的正則表達式

首先

import re

然后，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

我們可以打開內涵段子的網頁，鼠標點擊右鍵"查看源代碼"你會驚奇的發(fā)現(xiàn)，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標簽都有一個屬性class="f18 mb20"

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"里面的內容(具體可以看前面介紹)

然后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請求網頁的辦法
    @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 NT6.1; 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(guī)則的字符串，如果沒有則匹配下一行重新匹配
  #如果加上re.S,則是將所有的字符串按一個整體進行匹配
  pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', 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，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按一個整體進行匹配，findall將匹配到的所有結果封裝到一個list中。
如果我們寫了一個遍歷item_list的一個方法printOnePage()。ok程序寫到這，我們再一次執(zhí)行一下。

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，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的內容去掉即可。
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>", "").replace("<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。比如，我們可以將得到的每個item不是打印出來，而是放在一個叫duanzi.txt的文件中也可以。

def writeToFile(self, text):
  """
    @brief 將數(shù)據(jù)追加寫進文件中
    @param text 文件內容
  """
  myFile = open("./duanzi.txt", "a") #a追加形式打開文件 
  myFile.write(text)
  myFile.write("-------------------------")
  myFile.close()

然后我們將所有的print的語句改寫成writeToFile(), 當前頁面的所有段子就存在了本地的duanzi.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:
    item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "")

    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進行疊加來遍歷內涵段子吧的全部段子內容。

只需要在外層加上一些邏輯處理即可。

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.reason
      continue

  #將得到的段子item_list處理
  self.printOnePage(item_list, self.page)
  self.page += 1
  print "按回車繼續(xù)...."
  print "輸入quit退出"

  command = raw_input()
  if(command == "quit"):
    self.enable = False
    break

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: