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。

1. import urllib2
2. class Spider:
3. """
4. 内涵段子爬虫类
5. """
6. def loadPage(self, page):
7. """
8. @brief 定义一个url请求网页的方法
9. @param page需要请求的第几页
10. @returns 返回的页面url
11. """
12. url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html"
13. #user-Agent头
14. user_agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0"
15. headers = {"User-Agent":user_agent}
16. req = urllib2.Request(url, headers = headers)
17. response = urllib2.urlopen(req)
18. 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

1. if __name__ == "__main__":
2. """
3. =====================
4. 内涵段子小爬虫
5. =====================
6. """
7. print("请按下回车开始")
8. raw_input()
9.  
10. #定义一个Spider对象
11. mySpider = Spider()
12. 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：

1. def loadPage(self, page):
2. """
3. @bridf 定义一个url请求网页的方法
4. @param page 需要请求的第几页
5. @returns 返回的页面html
6. """
7. url = "http://www.neihan8.com/article/list_5_"+str(page)+".html"
8. #user-agent头
9. user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0"
10. headers = {"User-Agent":user-agent}
11. req = urllib2.Request(url, headers = headers)
12. response = urllib2.urlopen(req)
13. html = response.read()
14. gbk_html = html.decode("gbk").encode("utf-8")
15. 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

1. 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：

1. def loadPage(self, page):
2. """
3. @brief 定义一个url请求网页的办法
4. @param page 需要请求的第几页
5. @returns 返回的页面html
6. """
7. url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html"
8. #User-Agent头
9. user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0"
10.  
11. headers = {"User-Agent":user-agent}
12. req = urllib2.Request(url, headers=headers)
13. response = urllib2.urlopen(req)
14.  
15. html = response.read()
16.  
17. gbk_html = html.decode("gbk").encode("utf-8")
18.  
19. #找到所有的段子内容<div class="f18 mb20"></div>
20. #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
21. #如果加上re.S,则是将所有的字符串按一个整体进行匹配
22. pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', re.S)
23. item_list = pattern.findall(gbk_html)
24. return item_list
25. def printOnePage(self, item_list, page):
26. """
27. @brief 处理得到的段子列表
28. @param item_list 得到的段子列表
29. @param page处理第几页
30. """
31. print("*********第%d页，爬取完毕...******"%page)
32. for item in item_list:
33. print("===============")
34. 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。

1. 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()

1. def printOnePage(self, item_list, page):
2. """
3. @brief 处理得到的段子列表
4. @param item_list 得到的段子列表
5. @param page 处理第几页
6. """
7. print("******第%d页,爬取完毕*****"%page)
8. for item in item_list:
9. print("============")
10. item = item.replace("<p>", "").replace("</p>", "").replace("<br />", "")
11. 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。

1. def writeToFile(self, text):
2. """
3. @brief 将数据追加写进文件中
4. @param text 文件内容
5. """
6. myFile = open("./duanzi.txt", "a") #a追加形式打开文件
7. myFile.write(text)
8. myFile.write("-------------------------")
9. 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。

1. def printOnePage(self, item_list, page):
2. """
3. @brief 处理得到的段子列表
4. @param item_list 得到的段子列表
5. @param page 处理第几页
6. """
7. print("***第%d页，爬取完毕****"%page)
8. for item in item_list:
9. item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "")
10.  
11. 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。

1. def doWork(self):
2. """
3. 让爬虫开始工作
4. """
5. while self.enable:
6. try:
7. item_list = self.loadPage(self.page)
8. except urllib2.URLError, e:
9. print e.reason
10. continue
11.  
12. #将得到的段子item_list处理
13. self.printOnePage(item_list, self.page)
14. self.page += 1
15. print "按回车继续...."
16. print "输入quit退出"
17.  
18. command = raw_input()
19. if(command == "quit"):
20. self.enable = False
21. 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我们。