怎么在Python中使用正則表達(dá)式實(shí)現(xiàn)一個(gè)爬蟲(chóng)功能

這篇文章給大家介紹怎么在Python中使用正則表達(dá)式實(shí)現(xiàn)一個(gè)爬蟲(chóng)功能，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

第一步：獲取數(shù)據(jù)

1. 按照我們之前的用法，我們需要一個(gè)加載頁(yè)面的方法。

這里我們統(tǒng)一定義一個(gè)類(lèi)，將url請(qǐng)求作為一個(gè)成員方法處理。

我們創(chuàng)建了一個(gè)文件，叫duanzi_spider.py

然后定義一個(gè)Spider類(lèi)，并且添加一個(gè)加載頁(yè)面的成員方法。

import urllib2
class Spider:
  """
    內(nèi)涵段子爬蟲(chóng)類(lèi)
  """
  def loadPage(self, page):
    """
      @brief 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的方法
      @param page需要請(qǐng)求的第幾頁(yè)
      @returns 返回的頁(yè)面url
    """
    url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html"
    #user-Agent頭
    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的實(shí)現(xiàn)思想想必大家都應(yīng)該熟悉了，需要注意定義python類(lèi)的成員方法需要額外添加一個(gè)參數(shù)self.

2.寫(xiě)main函數(shù)測(cè)試一個(gè)loadPage方法

if __name__ == "__main__":
  """
    =====================
      內(nèi)涵段子小爬蟲(chóng)
    =====================
  """
  print("請(qǐng)按下回車(chē)開(kāi)始")
  raw_input()
  
  #定義一個(gè)Spider對(duì)象
  mySpider = Spider()
  mySpider.loadPage(1)

程序正常執(zhí)行的話，我們會(huì)在皮姆上打印了內(nèi)涵段子第一頁(yè)的全部html代碼。但是我們發(fā)現(xiàn)，html中的中文部分顯示的可能是亂碼。

那么我們需要簡(jiǎn)單的將得到的網(wǎng)頁(yè)源代碼處理一下：

def loadPage(self, page):
  """
    @bridf 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的方法
    @param page 需要請(qǐng)求的第幾頁(yè)
    @returns 返回的頁(yè)面html
  """
  url = "http://www.neihan8.com/article/list_5_"+str(page)+".html"
  #user-agent頭
  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：對(duì)于每個(gè)網(wǎng)站對(duì)中文的編碼各自不同，所以html.decode("gbk")的寫(xiě)法并不是通用的，根據(jù)網(wǎng)站的編碼而異。

第二步：篩選數(shù)據(jù)

接下來(lái)我們已經(jīng)得到了整個(gè)頁(yè)面的數(shù)據(jù)。但是，很多內(nèi)容我們并不關(guān)心，所以下一步我們需要篩選數(shù)據(jù)。如何篩選，就用到了上一節(jié)講述的正則表達(dá)式

首先

import re

然后，我們得到的gbk_html中進(jìn)行篩選匹配。

我們需要一個(gè)匹配規(guī)則

我們可以打開(kāi)內(nèi)涵段子的網(wǎng)頁(yè)，鼠標(biāo)點(diǎn)擊右鍵"查看源代碼"你會(huì)驚奇的發(fā)現(xiàn)，我們需要的每個(gè)段子的內(nèi)容都是在一個(gè)<div>標(biāo)簽中，而且每個(gè)div標(biāo)簽都有一個(gè)屬性class="f18 mb20"

根據(jù)正則表達(dá)式，我們可以推算出一個(gè)公式是：

<div.*?class="f18 mb20">(.*?)</div>


這個(gè)表達(dá)式實(shí)際上就是匹配到所有div中class="f18 mb20"里面的內(nèi)容(具體可以看前面介紹)

然后這個(gè)正則應(yīng)用到代碼中，我們會(huì)得到以下代碼：

def loadPage(self, page):
  """
    @brief 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的辦法
    @param page 需要請(qǐng)求的第幾頁(yè)
    @returns 返回的頁(yè)面html
  """
  url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html"
  #User-Agent頭
  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")

  #找到所有的段子內(nèi)容<div class="f18 mb20"></div>
  #re.S 如果沒(méi)有re.S,則是只匹配一行有沒(méi)有符合規(guī)則的字符串，如果沒(méi)有則匹配下一行重新匹配
  #如果加上re.S,則是將所有的字符串按一個(gè)整體進(jìn)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 處理得到的段子列表
    @param item_list 得到的段子列表
    @param page處理第幾頁(yè)
  """
  print("*********第%d頁(yè)，爬取完畢...******"%page)
  for item in item_list:
    print("===============")
    print ite

這里需要注意一個(gè)是re.S是正則表達(dá)式中匹配的一個(gè)參數(shù)。

• 如果沒(méi)有re.S則是只匹配一行有沒(méi)有符合規(guī)則的字符串，如果沒(méi)有則下一行重新匹配。

• 如果加上re.S則是將所有的字符串按一個(gè)整體進(jìn)行匹配，findall將匹配到的所有結(jié)果封裝到一個(gè)list中。

• 如果我們寫(xiě)了一個(gè)遍歷item_list的一個(gè)方法printOnePage()。ok程序?qū)懙竭@，我們?cè)僖淮螆?zhí)行一下。

python duanzi_spider.py

我們第一頁(yè)的全部段子，不包含其他信息全部的打印了出來(lái).

• 你會(huì)發(fā)現(xiàn)段子中有很多<p>,</p>很是不舒服，實(shí)際上這個(gè)是html的一種段落的標(biāo)簽。

• 在瀏覽器上看不出來(lái)，但是如果按照文本打印會(huì)有<p>出現(xiàn)，那么我們只需要把我們的內(nèi)容去掉即可。

• 我們可以如下簡(jiǎn)單修改一下printOnePage()

def printOnePage(self, item_list, page):
  """
    @brief 處理得到的段子列表
    @param item_list 得到的段子列表
    @param page 處理第幾頁(yè)
  """
  print("******第%d頁(yè),爬取完畢*****"%page) 
  for item in item_list:
    print("============")
    item = item.replace("<p>", "").replace("</p>", "").replace("<br />", "")
    print item

第三步：保存數(shù)據(jù)

我們可以將所有的段子存放在文件中。比如，我們可以將得到的每個(gè)item不是打印出來(lái)，而是放在一個(gè)叫duanzi.txt的文件中也可以。

def writeToFile(self, text):
  """
    @brief 將數(shù)據(jù)追加寫(xiě)進(jìn)文件中
    @param text 文件內(nèi)容
  """
  myFile = open("./duanzi.txt", "a") #a追加形式打開(kāi)文件 
  myFile.write(text)
  myFile.write("-------------------------")
  myFile.close()

然后我們將所有的print的語(yǔ)句改寫(xiě)成writeToFile(), 當(dāng)前頁(yè)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 處理得到的段子列表
    @param item_list 得到的段子列表
    @param page 處理第幾頁(yè)
  """
  print("***第%d頁(yè)，爬取完畢****"%page)
  for item in item_list:
    item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "")

    self.writeToFile(item)

第四步：顯示數(shù)據(jù)

接下來(lái)我們就通過(guò)參數(shù)的傳遞對(duì)page進(jìn)行疊加來(lái)遍歷內(nèi)涵段子吧的全部段子內(nèi)容。

只需要在外層加上一些邏輯處理即可。

def doWork(self):
  """
    讓爬蟲(chóng)開(kāi)始工作
  """
  while self.enable:
    try:
      item_list = self.loadPage(self.page)
    except urllib2.URLError, e:
      print e.reason
      continue

  #將得到的段子item_list處理
  self.printOnePage(item_list, self.page)
  self.page += 1
  print "按回車(chē)?yán)^續(xù)...."
  print "輸入quit退出"

  command = raw_input()
  if(command == "quit"):
    self.enable = False
    break

關(guān)于怎么在Python中使用正則表達(dá)式實(shí)現(xiàn)一個(gè)爬蟲(chóng)功能就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。