Python爬蟲如何正則表達(dá)式

今天就跟大家聊聊有關(guān)Python爬蟲如何正則表達(dá)式，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。

爬蟲——爬蟲中使用正則表達(dá)式

下面我們嘗試爬取內(nèi)涵段子網(wǎng)站：http://www.neihan8.com/article/list_5_1.html

打開之后，當(dāng)你進(jìn)行翻頁(yè)的時(shí)候，不難注意到，url地址的變化：

第一頁(yè)url: http: //www.neihan8.com/article/list_5_1 .html

第二頁(yè)url: http: //www.neihan8.com/article/list_5_2 .html

第三頁(yè)url: http: //www.neihan8.com/article/list_5_3 .html

第四頁(yè)url: http: //www.neihan8.com/article/list_5_4 .html

這樣，我們把url規(guī)律找到了，要想爬取所有的段子，只需要修改一個(gè)參數(shù)即可。下面，我們就開始一步一步將所有的段子爬取下來。

第一步：獲取網(wǎng)頁(yè)數(shù)據(jù)（網(wǎng)頁(yè)上全部?jī)?nèi)容）

1.按照我們之前的用法，我們需要寫一個(gè)加載頁(yè)面的方法。

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

我們創(chuàng)建一個(gè)duanzi_spider.py文件。

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

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
 
class Spider(object):
    """
    一個(gè)爬蟲類
    """
    def loadPage(self, url):
        """
        下載指定url頁(yè)面的內(nèi)容
        :return:
        """
        # User-Agent頭
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content.decode("gb18030")
         
        # 打印頁(yè)面內(nèi)容
        print(html)
         
        # 返回頁(yè)面內(nèi)容
        return html

2.寫main函數(shù)測(cè)試loadPage()方法

if __name__ == '__main__':
    # 實(shí)例化類對(duì)象
    my_spider = Spider()
    # 讓用戶輸入需爬取頁(yè)面的頁(yè)碼
    page = int(input("請(qǐng)輸入你需要爬取的頁(yè)碼："))
    # 拼接用戶需爬取頁(yè)面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    html = my_spider.loadPage(url)

第二步：篩選數(shù)據(jù)

我們已經(jīng)得到了整個(gè)頁(yè)面的數(shù)據(jù)。但是，里面有很多內(nèi)容我們并不需要，所以下一步我們需要對(duì)上面爬取的內(nèi)容進(jìn)行篩選。如果篩選，這里就用到了我們前面講到的正則表達(dá)式。

首先

import re

然后：在我們得到的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)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都有一個(gè)屬性class="f18 mb20"。

所以，我們只需要匹配到網(wǎng)頁(yè)中所有<div class="f18 mb20">到</div>的數(shù)據(jù)就可以了。

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

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

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
import re
 
class Spider(object):
    """
    一個(gè)爬蟲類
    """
    def loadPage(self, url):
        """
        下載指定url頁(yè)面的內(nèi)容
        :return:
        """
        # User-Agent頭
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content
 
        return html.decode("gb18030")
 
    def screenPage(self, html):
        """
        篩選html內(nèi)容，返回列表
        :param html:
        :return:
        """
        # <div class="f18 mb20">...</div>
        pattern = re.compile(r'<div class="f18 mb20">(.*?)</div>', re.S)
        item_list = pattern.findall(html)
 
        return item_list
 
if __name__ == '__main__':
    # 實(shí)例化類對(duì)象
    my_spider = Spider()
    # 讓用戶輸入需爬取頁(yè)面的頁(yè)碼
    page = int(input("請(qǐng)輸入你需要爬取的頁(yè)碼："))
    # 拼接用戶需爬取頁(yè)面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    # 下載網(wǎng)頁(yè)內(nèi)容
    html = my_spider.loadPage(url)
    # 篩選數(shù)據(jù)
    item_list = my_spider.screenPage(html)

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

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

如果加上re.S則是將所有的字符串作為一個(gè)整體進(jìn)行匹配，findall將所有匹配到的結(jié)果返回列表中。

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。

def writePage(self, list):
    """
    以追加的形式存儲(chǔ)篩選后的內(nèi)容
    :param list: 篩選后的數(shù)據(jù)，列表形式
    :return:
    """
    with open(self.file_name, "a", encoding = "utf-8") as f:
        for content in list:
            # 段子內(nèi)容：因?yàn)槎巫又杏泻芏?lt;p>，</p>，<br />。。。，還有一些轉(zhuǎn)義字符。在這里作下替換
            content = content.replace("…", "…").replace("“", "“").replace("”", "”")
            content = content.replace("　", "").replace("\t", "").replace(":", "：")
            content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
            content = content.replace("\u3000", "").replace("\r\n\r\n", "\r\n")
            content = content.strip()
 
            # 寫入一個(gè)段子的內(nèi)容
            f.write(content)
            # 我是分割線
            f.write("*" * 30)

第四步：完整的程序

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
import re
 
class Spider(object):
    """
    一個(gè)爬蟲類
    """
    def __init__(self, start_page, end_page):
        """
        類的初始化函數(shù)
        :param start_page:
        :param end_page:
        :return:
        """
        self.start_page = start_page
        self.end_page = end_page
        self.file_name = "duanzi.txt"
 
    def loadPage(self, url):
        """
        下載指定url頁(yè)面的內(nèi)容
        :return:
        """
        # User-Agent頭
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content
 
        return html.decode("gb18030")
 
    def screenPage(self, html):
        """
        篩選html內(nèi)容，返回列表
        :param html:
        :return:
        """
        # <div class="f18 mb20">...</div>
        pattern = re.compile(r'<div class="f18 mb20">(.*?)</div>', re.S)
        item_list = pattern.findall(html)
 
        return item_list
 
    def writePage(self, list):
        """
        以追加的形式存儲(chǔ)篩選后的內(nèi)容
        :param list: 篩選后的數(shù)據(jù)，列表形式
        :return:
        """
        with open(self.file_name, "a", encoding = "utf-8") as f:
            for content in list:
                # 段子內(nèi)容：因?yàn)槎巫又杏泻芏?lt;p>，</p>，<br />。。。，還有一些轉(zhuǎn)義字符。在這里作下替換
                content = content.replace("…", "…").replace("“", "“").replace("”", "”")
                content = content.replace("　", "").replace("\t", "").replace(":", "：")
                content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
                content = content.replace("\u3000", "").replace("\r\n\r\n", "\r\n").replace("\r\n", "\n")
                content = content.strip()
 
                # 寫入一個(gè)段子的內(nèi)容
                f.write(content)
                # 我是分割線
                f.write("*" * 30)
 
    def run(self):
        """
        讓爬蟲開始工作
        :return:
        """
        # 循環(huán)處理我們需要爬取的頁(yè)面
        for page in range(self.start_page, self.end_page + 1):
            # 拼接當(dāng)前頁(yè)碼page的url地址
            url = "http://www.neihan8.com/article/list_5_{}.html".format(str(page))
            print("正在下載第{}頁(yè)".format(str(page)))
            # 下載url對(duì)應(yīng)的全部?jī)?nèi)容
            html = self.loadPage(url)
            # 篩選數(shù)據(jù)
            item_list = self.screenPage(html)
            # 存儲(chǔ)篩選后的數(shù)據(jù)
            self.writePage(item_list)
 
# 主函數(shù)
if __name__ == '__main__':
    # 讓用戶輸入需爬取頁(yè)面的起始頁(yè)碼
    start_page = int(input("請(qǐng)輸入您需要爬取的起始頁(yè)："))
    # 讓用戶輸入需爬取頁(yè)面的終止頁(yè)碼
    end_page   = int(input("請(qǐng)輸入您需要爬取的終止頁(yè)："))
    # 實(shí)例化類對(duì)象
    mySpider = Spider(start_page, end_page)
    # 讓爬蟲開始工作
    mySpider.run()

最后，我們執(zhí)行上面的代碼，完成后查看當(dāng)前路徑下的duanzi.txt文件，里面已經(jīng)有我們要的內(nèi)涵段子。

以上便是一個(gè)非常精簡(jiǎn)的小爬蟲程序，使用起來很方便，如果想要爬取其他網(wǎng)站的信息，只需要修改其中某些參數(shù)和一些細(xì)節(jié)就行了。

看完上述內(nèi)容，你們對(duì)Python爬蟲如何正則表達(dá)式有進(jìn)一步的了解嗎？如果還想了解更多知識(shí)或者相關(guān)內(nèi)容，請(qǐng)關(guān)注億速云行業(yè)資訊頻道，感謝大家的支持。