案例:使用正则表达式的爬虫
来源:互联网 发布:花无涯 网络黑白 编辑:程序博客网 时间:2024/05/21 11:14
案例:使用正则表达式的爬虫
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,不难看到里面一个一个灰常有内涵的段子,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。 下面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,我们需要写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 urllib2class 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() print html #return html
以上的loadPage的实现体想必大家应该很熟悉了,需要注意定义python类的成员方法需要额外添加一个参数self
.
那么loadPage(self, page) 中的page是我们指定去请求第几页。
最后通过 print html打印到屏幕上。
然后我们写一个main函数见到测试一个loadPage方法
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,我们会在屏幕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): """ @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') # print gbk_html 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’)的写法并不是通用写法,根据网站的编码而异
这样我们再次执行以下duanzi_spider.py ,会发现之前的中文乱码可以正常显示了。
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进行筛选。 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, 在我们得到的
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
都有一个属性class = "f18 mb20"
所以,我们只需要匹配到网页中所有
<div class="f18 mb20">
到</div>
的数据就可以了。
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(具体可以看前面正则介绍)然后将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') #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,如果没有则下一行重新匹配 # 如果加上re.S 则是将所有的字符串将一个整体进行匹配 pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', re.S) item_list = pattern.findall(gbk_html) return item_listdef 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 将一个整体进行匹配,findall 将所有匹配到的结果封装到一个list中。
- 然后我们写了一个遍历
item_list
的一个方法printOnePage()
。 ok程序写到这,我们再一次执行一下。
Power@PowerMac ~$ 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不希望的内容去掉即可了。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,而是存放在一个叫 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') #追加形式打开文件 myFile.write(text) myFile.write("-----------------------------------------------------") myFile.close()
- 然后我们将print的语句 改成
writeToFile()
,当前页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 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 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 #对得到的段子item_list处理 self.printOnePage(item_list, self.page) self.page += 1 #此页处理完毕,处理下一页 print "按回车继续..." print "输入 quit 退出" command = raw_input() if (command == "quit"): self.enable = False break
- 最后,我们执行我们的代码,完成后查看当前路径下的duanzi.txt文件,里面已经有了我们要的内涵段子。
以上便是一个非常精简使用的小爬虫程序,使用起来很是方便,如果想要爬取其他网站的信息,只需要修改其中某些参数和一些细节就行了。
- 案例:使用正则表达式的爬虫
- 正则表达式的使用案例
- 正则表达式及爬虫小案例
- 使用正则表达式写一个网页爬虫案例获取指定文档中的邮件地址保存到自己指定的文件夹中
- 正则表达式--js使用案例
- 正则表达式的经典案例
- 正则表达式常用的案例
- 正则表达式的常用案例
- 正则表达式的一些案例
- Python笔记2--正则表达式与爬虫案例
- 案例:使用BeautifuSoup4的爬虫
- 正则表达式使用案例-OCP试题
- 正则表达式 基础+使用案例解析
- 爬虫必须学会的正则表达式
- #hive_正则表达式#JAVA的正则表达式案例详解
- hive_正则表达式|JAVA的正则表达式案例详解<转>
- #hive_正则表达式#JAVA的正则表达式案例详解
- #hive_正则表达式#JAVA的正则表达式案例详解
- JSON字符串转换为JSON对象,JSON对象转化为JSON字符串
- GOsUgar, GoHackathon 项目复盘 + 一些对 Hackathon的思考
- java怎么把项目导成jar包步骤图
- css基础样式
- IntelliJ Idea 常用快捷键列表
- 案例:使用正则表达式的爬虫
- Android抽象布局——include、merge 、ViewStub
- Java实现基于数组的顺序栈
- ssl(https)部署指南
- centos 部署gitblit
- 使用gotoxy()函数移动控制台光标
- 微信小程序怎么用,在微信那里打开
- MYSQL性能优化的最佳20+条经验
- 浅谈IT项目成熟度的评估