这篇文章给大家介绍怎么在Python中使用正则表达式实现一个爬虫功能,内容非常详细,感兴趣的小伙伴们可以参考借鉴,希望对大家能有所帮助。
在吉阳等地区,都构建了全面的区域性战略布局,加强发展的系统性、市场前瞻性、产品创新能力,以专注、极致的服务理念,为客户提供成都网站设计、网站制作 网站设计制作定制网站开发,公司网站建设,企业网站建设,品牌网站建设,成都营销网站建设,外贸营销网站建设,吉阳网站建设费用合理。第一步:获取数据
1. 按照我们之前的用法,我们需要一个加载页面的方法。
这里我们统一定义一个类,将url请求作为一个成员方法处理。
我们创建了一个文件,叫duanzi_spider.py
然后定义一个Spider类,并且添加一个加载页面的成员方法。
import urllib2 class Spider: """ 内涵段子爬虫类 """ def loadPage(self, page): """ @brief 定义一个url请求网页的方法 @param page需要请求的第几页 @returns 返回的页面url """ url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html" #user-Agent头 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的实现思想想必大家都应该熟悉了,需要注意定义python类的成员方法需要额外添加一个参数self.
2.写main函数测试一个loadPage方法
if __name__ == "__main__": """ ===================== 内涵段子小爬虫 ===================== """ print("请按下回车开始") raw_input() #定义一个Spider对象 mySpider = Spider() mySpider.loadPage(1)
程序正常执行的话,我们会在皮姆上打印了内涵段子第一页的全部html代码。但是我们发现,html中的中文部分显示的可能是乱码。
那么我们需要简单的将得到的网页源代码处理一下:
def loadPage(self, page): """ @bridf 定义一个url请求网页的方法 @param page 需要请求的第几页 @returns 返回的页面html """ url = "http://www.neihan8.com/article/list_5_"+str(page)+".html" #user-agent头 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:对于每个网站对中文的编码各自不同,所以html.decode("gbk")的写法并不是通用的,根据网站的编码而异。
第二步:筛选数据
接下来我们已经得到了整个页面的数据。但是,很多内容我们并不关心,所以下一步我们需要筛选数据。如何筛选,就用到了上一节讲述的正则表达式
首先
import re
然后,我们得到的gbk_html中进行筛选匹配。
我们需要一个匹配规则
我们可以打开内涵段子的网页,鼠标点击右键"查看源代码"你会惊奇的发现,我们需要的每个段子的内容都是在一个
根据正则表达式,我们可以推算出一个公式是:
这个表达式实际上就是匹配到所有div中class="f18 mb20"里面的内容(具体可以看前面介绍)
然后这个正则应用到代码中,我们会得到以下代码:
def loadPage(self, page): """ @brief 定义一个url请求网页的办法 @param page 需要请求的第几页 @returns 返回的页面html """ url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html" #User-Agent头 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") #找到所有的段子内容 #re.S 如果没有re.S,则是只匹配一行有没有符合规则的字符串,如果没有则匹配下一行重新匹配 #如果加上re.S,则是将所有的字符串按一个整体进行匹配 pattern = re.compile(r'(.*?)
这里需要注意一个是re.S是正则表达式中匹配的一个参数。
如果没有re.S则是只匹配一行有没有符合规则的字符串,如果没有则下一行重新匹配。
如果加上re.S则是将所有的字符串按一个整体进行匹配,findall将匹配到的所有结果封装到一个list中。
如果我们写了一个遍历item_list的一个方法printOnePage()。ok程序写到这,我们再一次执行一下。
python duanzi_spider.py
我们第一页的全部段子,不包含其他信息全部的打印了出来.
你会发现段子中有很多
,
很是不舒服,实际上这个是html的一种段落的标签。在浏览器上看不出来,但是如果按照文本打印会有
出现,那么我们只需要把我们的内容去掉即可。
我们可以如下简单修改一下printOnePage()
def printOnePage(self, item_list, page): """ @brief 处理得到的段子列表 @param item_list 得到的段子列表 @param page 处理第几页 """ print("******第%d页,爬取完毕*****"%page) for item in item_list: print("============") item = item.replace("", "").replace("
", "").replace("
", "") print item
第三步:保存数据
我们可以将所有的段子存放在文件中。比如,我们可以将得到的每个item不是打印出来,而是放在一个叫duanzi.txt的文件中也可以。
def writeToFile(self, text): """ @brief 将数据追加写进文件中 @param text 文件内容 """ myFile = open("./duanzi.txt", "a") #a追加形式打开文件 myFile.write(text) myFile.write("-------------------------") myFile.close()
然后我们将所有的print的语句改写成writeToFile(), 当前页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 处理得到的段子列表 @param item_list 得到的段子列表 @param page 处理第几页 """ print("***第%d页,爬取完毕****"%page) for item in item_list: item = item.replace("", "").replace("
", "").replace("
". "") self.writeToFile(item)
第四步:显示数据
接下来我们就通过参数的传递对page进行叠加来遍历内涵段子吧的全部段子内容。
只需要在外层加上一些逻辑处理即可。
def doWork(self): """ 让爬虫开始工作 """ while self.enable: try: item_list = self.loadPage(self.page) except urllib2.URLError, e: print e.reason continue #将得到的段子item_list处理 self.printOnePage(item_list, self.page) self.page += 1 print "按回车继续...." print "输入quit退出" command = raw_input() if(command == "quit"): self.enable = False break
关于怎么在Python中使用正则表达式实现一个爬虫功能就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到。