Python 正则表达式爬虫使用案例解析
现在拥有了正则表达式这把神兵利器,我们就可以进行对爬取到的全部网页源代码进行筛选了。
下面我们一起尝试一下爬取内涵段子网站:
http://www.neihan8.com/article/list_5_1.html
打开之后,不难看出里面一个一个非常有内涵的段子,当你进行翻页的时候,注意url地址的变化:
- 第一页url: http: //www.neihan8.com/article/list_5_1 .html
- 第二页url: http: //www.neihan8.com/article/list_5_2 .html
- 第三页url: http: //www.neihan8.com/article/list_5_3 .html
- 第四页url: http: //www.neihan8.com/article/list_5_4 .html
这样我们的url规律找到了,要想爬取所有的段子,只需要修改一个参数即可。
我们就开始一步一步将所有的段子爬取下来吧。
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<div>标签中,而且每个div标签都有一个属性class="f18 mb20"
根据正则表达式,我们可以推算出一个公式是:
<div.*?class="f18 mb20">(.*?)</div>
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<div class="f18 mb20"></div> #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'<div.*?class="f18 mb20">(.*?)</div>', re.S) item_list = pattern.findall(gbk_html) return item_list 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("===============") print ite
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<p>,</p>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<p>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("<p>", "").replace("</p>", "").replace("<br />", "") 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("<p>", "").replace("</p>", "").replace("<br />". "") 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
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。
- Python正则表达式学习小例子
- python正则表达式实例代码
- Python编程快速上手——正则表达式查找功能案例分析
- python 正则表达式参数替换实例详解
- python正则表达式匹配IP代码实例
- python 正则表达式贪婪模式与非贪婪模式原理、用法实例分析
- Python正则表达式实现简易计算器功能示例
- python正则表达式匹配[]中间为任意字符的实例
- python 使用正则表达式按照多个空格分割字符的实例
- Python爬虫之正则表达式基本用法实例分析
- python 用正则表达式筛选文本信息的实例
- Python3使用正则表达式爬取内涵段子示例
- python的re正则表达式实例代码
- python正则表达式及使用正则表达式的例子
- python里使用正则表达式的组嵌套实例详解
- 学会Python正则表达式,就看这20个例子(脚本之家修正版)
相关文章
使用pycharm和pylint检查python代码规范操作
这篇文章主要介绍了使用pycharm和pylint检查python代码规范操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2020-06-06Python 相对路径报错:"No such file or 
如果你取相对路径不是在主文件里,可能就会有相对路径问题:"No such file or directory",由于python 的相对路径,相对的都是主文件所以会出现Python 相对路径报错,今天小编给大家带来了完美解决方案,感兴趣的朋友一起看看吧2023-02-02Django + Taro 前后端分离项目实现企业微信登录功能
这篇文章主要介绍了Django + Taro 前后端分离项目实现企业微信登录功能,本文记录一下企业微信登录的流程,结合示例代码给大家分享实现思路,需要的朋友可以参考下2022-04-04
最新评论