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 NT
6.1; 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 NT
6.1; 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_htmlreturn 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divclass="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 NT
6.1; 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">(.*?)</di
v>', 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...*******" %pagefor item in item_list:print "================"print item

  • 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...*******" %pagefor item in item_list:print "================"item = item.replace("<p>", "").replace("</p>", "").repl
ace("<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...*******" %pagefor item in item_list:# print "================"item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")# print itemself.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.reasoncontinue#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 = Falsebreak

  • 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。

以上博文来自传智播客--->以下为py3代码, 亲测可用

python3 完整代码:

import sys
from urllib import request, parse
import reimport chardetclass Spider:def __init__(self):# 初始化起始页位置self.page = 1# 爬取开关, 如果为True继续爬取, 反之停止self.switch = Truedef loadPage(self):"""下载页面"""print("正在下载数据.....")url = "http://www.neihan8.com/article/list_5_"+str(self.page)+".html"# 字符串拼接urlheaders = {"User-Agent":"Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"}# 构建请求, 返回req对象req = request.Request(url, headers=headers)# 发送请求, 返回response相应response = request.urlopen(req)# html为每页的源码, 格式为字符串html = response.read()encode_type = chardet.detect(html)# print("编码格式为:--->"+str(encode_type))html = html.decode(encode_type['encoding'])# print(html)# 创建一个正则表达式规则对象, 匹配每页里段子内容, re.S表示为匹配去啊怒字符串对象pattern = re.compile('<div class="f18 mb20">(.*?)</div>', re.S)# 将正则匹配对象应用到html源码字符串内, 返回这个页面内的所有段子的列表content_list = pattern.findall(html)self.dealPage(content_list)def dealPage(self, content_list):"""处理每页的段子"""print("正在处理数据.....")for content in content_list:# 将集合里的每个段子挨个处理, 替换掉无用数据
content = content.replace("<p>", "").replace("<br />", "").replace("&ldquo;", "").replace("&rdquo;", "").replace("                          ", "")# print(content)
            self.writePage(content)print("正在保存数据.....")def writePage(self, content):"""把每条段子逐个写入到文件中"""with open("段子.txt", "a") as f:f.write(content)def startWork(self):"""控制爬虫爬行"""# 爬虫开关while self.switch:self.loadPage()command = input("如果继续爬取, 请按回车(退出输入quit)")if command == "quit":print("OKKKKKKKKKKKKKK")self.switch = Falseself.page += 1print("谢谢使用!!!")if __name__ == "__main__":neihan = Spider()neihan.startWork()

View Code

转载于:https://www.cnblogs.com/amou/p/9142946.html

内涵段子爬取及re匹配相关推荐

  1. Golang实现并发版网络爬虫:捧腹网段子爬取并保存文件

    爬取捧腹网段子 url分页分析 https://www.pengfu.com/xiaohua_1.html 1 下一页+1 https://www.pengfu.com/xiaohua_2.html ...

  2. python爬取表格数据匹配_爬取表格类网站数据并保存为excel文件

    本文转载自以下网站:50 行代码爬取东方财富网上市公司 10 年近百万行财务报表数据 https://www.makcyun.top/web_scraping_withpython6.html 主要学 ...

  3. 使用urllib2简单爬取并保存内涵吧内涵段子指定分页的的描述信息

    对 内涵8的内涵段子 爬取每个分页上面显示的描述信息,按回车键继续对下一页进行爬取,输入quit退出爬取. 思路: 1. 爬取每个页面的源码 2. 对源码进行处理(使用正则),获取指定信息 3. 保存 ...

  4. 30 爬虫 - 爬取内涵段子网站案例

    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 ...

  5. 爬虫爬取糗事百科段子

    目录 糗事百科段子爬取 爬虫功能介绍 所需软件 网页解析 找到所需信息所在代码段 获取信息 编程思路分析 获取当前所有段子 对提取的内容进行优化 数据合并 查看点赞数最多的内容 总结 最后 附代码 糗 ...

  6. Python爬取糗事百科段子+定时发送QQ邮箱

    文章目录 前言 1. 库导入及介绍 2. 获取网页源码 3. 提取需要的信息 4. 优化输出数据 5. 发送邮件 6. 实现定时发送 7. 源码 前言 学习Python爬虫也有段时间了,总想着搞点事做 ...

  7. python段子_python爬虫(爬取段子)

    python爬取段子 爬取某个网页的段子 第一步 不管三七二十一我们先导入模块 #http://baijiahao.baidu.com/s?id=1598724756013298998&wfr ...

  8. python多线程爬取段子_python爬虫(爬取段子)

    python爬取段子 爬取某个网页的段子 第一步 不管三七二十一我们先导入模块 #http://baijiahao.baidu.com/s?id=1598724756013298998&wfr ...

  9. Go语言并发爬虫,爬取空姐网所有相册图片

    转载地址:Go语言中文网 说到爬虫,不得不提到我自己写的<Python网络爬虫requests.bs4爬取空姐网图片>,可以在我的csdn看到这篇文章.这个爬虫很简洁,使用requests ...

最新文章

  1. 谷歌正式推出官方“Android界面设计”网站
  2. 精妙的单片机非阻塞延时程序设计
  3. 《LeetCode力扣练习》第6题 C语言版 (做出来就行,别问我效率。。。。)
  4. 算法--------字符串中的第一个唯一字符(Java 版本)
  5. go get 获取被墙依赖包解决方法
  6. 网页制作中的背景处理
  7. redis批量删除key
  8. Python正则表达式 re.sub()函数:标志位flags与参数个数问题
  9. 只用html5与CSS做一个简单的页面,HTML+CSS基础训练之做一个简单页面的布局
  10. 递归用法之“海盗分赃难题”
  11. fastjson与spring mvc整合的配置
  12. python 运行时间 装饰器_python 装饰器统计某个函数的运行时间
  13. 关于Ajax和@RequestBody配合使用的问题
  14. 二叉查找树及其C语言实现
  15. 【图像压缩】基于matlab BP神经网络图像压缩【含Matlab源码 741期】
  16. c语言算开方程序,C语言计算开方
  17. 单日复利,单月复利计算java实现
  18. itest Tutorial
  19. 导入Spring源码找不到包spring-cglib-repack和spring-objenesis-repack
  20. 2022年4月语音合成(TTS)和语音识别(ASR)论文月报

热门文章

  1. 『Hi,我是易建科技eKing Cloud!』
  2. php nobody 没有写权限,laravel log文件分组nobody问题
  3. 数仓搭建 ODS 层
  4. 信息系统项目管理师(杂)
  5. 树链剖分——树链剖分模板
  6. [宋史学习] 对西夏战争中暴露出的积弱形势 范仲淹
  7. 可供参考的互联网电商订单中心设计
  8. 乐优商城(三十九)—— 订单中心
  9. Crypto.com、Dock项目评级更新 | TokenInsight
  10. python中getattr()和setattr()的使用