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。
importurllib2
classSpider:
"""
内涵段子爬虫类
"""
defloadPage(self,page):
"""
@brief定义一个url请求网页的方法
@parampage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;MSIE9.0;WindowsNT6.1;Trident/5.0"
headers={"User-Agent":user_agent}
req=urllib2.Request(url,headers=headers)
response=urllib2.urlopen(req)
printhtml
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：
defloadPage(self,page):
"""
@bridf定义一个url请求网页的方法
@parampage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;MSIE9.0;WindowsNT6.1;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")
returngbk_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
importre
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="f18mb20"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：
defloadPage(self,page):
"""
@brief定义一个url请求网页的办法
@parampage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;MSIE9.0;WindowsNT6.1;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。
pythonduanzi_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()
defprintOnePage(self,item_list,page):
"""
@brief处理得到的段子列表
@paramitem_list得到的段子列表
@parampage处理第几页
"""
print("******第%d页,爬取完毕*****"%page)
foriteminitem_list:
print("============")
item=item.replace("","").replace("
","").replace("
","")
printitem
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。
defwriteToFile(self,text):
"""
@brief将数据追加写进文件中
@paramtext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。
defprintOnePage(self,item_list,page):
"""
@brief处理得到的段子列表
@paramitem_list得到的段子列表
@parampage处理第几页
"""
print("***第%d页，爬取完毕****"%page)
foriteminitem_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。
defdoWork(self): """ 让爬虫开始工作 """ whileself.enable: try: item_list=self.loadPage(self.page) excepturllib2.URLError,e: printe.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毛票票。