python正則表達(dá)式抓取成語網(wǎng)站
1、首先找到一個(gè)在線成語網(wǎng)站
2、查看網(wǎng)頁結(jié)構(gòu),定義正則式
看一下要抓的成語的標(biāo)簽有什么特點(diǎn),查看源碼,可以發(fā)現(xiàn)要抓的成語都在<a>標(biāo)簽中,如:<a href="/cy0/93.html">安如磐石</a>,成語事實(shí)上就是一個(gè)瞄文本,不同成語指向的鏈接不同,其實(shí)也就"/cy0/93.html"中的數(shù)字不同,所以正則式里匹配兩次數(shù)字就行了,定義正則式 reg = "<a href=\"/cy(\d+)/(\d+).html\">(.*?)</a>"。
3、上代碼吧
#anthor jiqunpeng
#time 20121124
import urllib
import re
def getHtml(url): #從URL中讀取html內(nèi)容
page = urllib.urlopen(url)
html = page.read()
page.close()
return html
def getDictionary(html): #匹配成語
reg = "<a href=\"/cy(\d+)/(\d+).html\">(.*?)</a>"
dicList = re.compile(reg).findall(html)
return dicList
def getItemSite():#手工把每個(gè)字母開頭的頁面數(shù)統(tǒng)計(jì)下來
itemSite = {}#申明為空字典
itemSite["A"] = 3
itemSite["B"] = 21
itemSite["C"] = 19
itemSite["D"] = 18
itemSite["E"] = 2
itemSite["F"] = 14
itemSite["G"] = 13
itemSite["H"] = 15
itemSite["J"] = 23
itemSite["K"] = 6
itemSite["L"] = 15
itemSite["M"] = 12
itemSite["N"] = 5
itemSite["O"] = 1
itemSite["P"] = 6
itemSite["Q"] = 16
itemSite["R"] = 8
itemSite["S"] = 26
itemSite["T"] = 12
itemSite["W"] = 13
itemSite["X"] = 16
itemSite["Y"] = 35
itemSite["A"] = 21
return itemSite
if __name__== "__main__":
dicFile = open("dic.txt","w+")#保存成語的文件
domainsite = "http://chengyu.itlearner.com/list/"
itemSite = getItemSite()
for key,values in itemSite.items():
for index in range(1,values+1):
site = key +"_"+str(index)+".html"
dictionary = getDictionary(getHtml(domainsite+site))
for dic in dictionary:
dicFile.write(dic[2]+"@@CY\n")#標(biāo)記為成語,分詞時(shí)使用
print key+'字母成語抓取完畢'
dicFile.close()
print '全部成語抓取完畢'
把成語保存在了txt文本中,還添加了一個(gè)后綴標(biāo)簽。
最后注意,設(shè)計(jì)正則表達(dá)式時(shí)可能會(huì)出現(xiàn)明明認(rèn)為是正確的,就是匹配不了,對空白字符要留意,比如說要解析:
<div class="avatar_name">
<a href="/u/kkun/" title="kkun">kkun</a>
</div>
你看不出第一行與第二行的空白字符是什么,可以index = html.find('avatar_name'),html[4677:4677+100]看到非空白字符。
- python3爬蟲之入門基礎(chǔ)和正則表達(dá)式
- 零基礎(chǔ)寫python爬蟲之神器正則表達(dá)式
- Python的爬蟲包Beautiful Soup中用正則表達(dá)式來搜索
- Python爬蟲正則表達(dá)式常用符號(hào)和方法
- python爬蟲 正則表達(dá)式使用技巧及爬取個(gè)人博客的實(shí)例講解
- python正則表達(dá)式爬取貓眼電影top100
- Python使用正則表達(dá)式抓取網(wǎng)頁圖片的方法示例
- python正則匹配抓取豆瓣電影鏈接和評論代碼分享
- Python爬蟲實(shí)現(xiàn)網(wǎng)頁信息抓取功能示例【URL與正則模塊】
- Python正則抓取新聞標(biāo)題和鏈接的方法示例
- Python正則抓取網(wǎng)易新聞的方法示例
- Python3使用正則表達(dá)式爬取內(nèi)涵段子示例
相關(guān)文章
Python實(shí)現(xiàn)在線程里運(yùn)行scrapy的方法
這篇文章主要介紹了Python實(shí)現(xiàn)在線程里運(yùn)行scrapy的方法,涉及Python線程操作的技巧,非常具有實(shí)用價(jià)值,需要的朋友可以參考下2015-04-04Python 搭建Web站點(diǎn)之Web服務(wù)器與Web框架
這篇文章主要介紹了Python 搭建Web站點(diǎn)系列文章的第一篇,主要給大家簡單介紹Web服務(wù)器與Web框架的相關(guān)資料,需要的朋友可以參考下2016-11-11Python 中開發(fā)pattern的string模板(template) 實(shí)例詳解
這篇文章主要介紹了Python 中開發(fā)pattern的string模板(template) 實(shí)例詳解的相關(guān)資料,需要的朋友可以參考下2017-04-04

python中文分詞+詞頻統(tǒng)計(jì)的實(shí)現(xiàn)步驟

python 找出list中最大或者最小幾個(gè)數(shù)的索引方法

解決pycharm中的run和debug失效無法點(diǎn)擊運(yùn)行

python flask sqlalchemy連接數(shù)據(jù)庫流程介紹