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_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,就用到了正则表达式。
首先导包:
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div中class="f18 mb20 里面的内容。
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 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 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。
30 爬虫 - 爬取内涵段子网站案例相关推荐
- Java爬虫 爬取某招聘网站招聘信息
Java爬虫 爬取某招聘网站招聘信息 一.系统介绍 二.功能展示 1.需求爬取的网站内容 2.实现流程 2.1数据采集 2.2页面解析 2.3数据存储 三.获取源码 一.系统介绍 系统主要功能:本项目 ...
- python3利用正则表达式爬取内涵段子
似乎正则在爬虫中用的不是很广泛,但是也是基本功需要我们去掌握. 先将内涵段子网页爬取下来,之后利用正则进行匹配,匹配完成后将匹配的段子写入文本文档内.代码如下: # -*- coding:utf-8 ...
- Jsoup学习 JAVA爬虫爬取美女网站 JAVA爬虫爬取美图网站 爬虫
最近对爬虫起了兴趣,但是网上都说做爬虫最好得语言是py.但是我只会java,所以就想能不能用java实现一个爬虫,百度搜索发现,其实java也有很多优秀得开源爬虫框架,包括Gecco,webmagic ...
- 正则例子---爬取内涵段子
正则例子,爬取内涵段子 # coding=utf-8 import requests import re import jsonclass Neihan:def __init__(self):self ...
- 爬虫爬取快代理网站动态IP
爬虫爬取快代理网站动态IP import requests, time from lxml import etree import time import randomcookie = "& ...
- 详细实例:用python爬虫爬取幽默笑话网站!(建议收藏)
前言: 今天为大家带来的内容是详细实例:用python爬虫爬取幽默笑话网站!(建议收藏),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下! 爬取网站为 ...
- java爬虫爬取主流房屋网站
最近博主要做一些分析课题,所以使用java爬取了主流的房屋网站,搞些事情,下面是我搞事情的思路,在结尾处我会投放我的源码文件,供大家下载: 导航: 设计思路 项目的包与类详解 部分重要代码展示 源码下 ...
- Python爬虫爬取伯乐在线网站信息
一.环境搭建 1.创建环境 执行pip install scrapy安装scrapy 使用scrapy startproject ArticleSpider创建scrapy项目 使用pycharm导入 ...
- 利用node.js写爬虫 爬取某相亲网站全部交友信息
点击查看爬取世纪佳缘相亲交友信息 利用node.js,写了一个爬虫js.1个小时左右的时间,便爬取了2000多条交友信息,包括网名,年龄,图片,学历,工资等.当然,爬取的速度和网速有很大的关系,也和你 ...
最新文章
- 小程序 a标签_微信内循环生态:朋友圈标签引流视频号、小程序、搜一搜
- 比尔盖茨,马斯克、霍金都告诉你:为什么要警惕人工智能(中)
- 任意两点间的最短路问题(Floyd-Warshall算法)
- 深入浅出C/C++中的正则表达式库(一)--GNU Regex Library
- AndroidL 开机展示Keyguard锁屏机制初探
- 在Web上运行Linux
- 中国机器人市场增速震惊全世界!这6大机器人你听过几个?
- pdf文档怎么转换成word格式,pdf转word的方法
- sonic云真机入门教程
- 点积与向量积(点乘与叉乘)
- 30岁以前不要去在乎的29件事
- 计算机网络-自顶向下方法 读书笔记
- 小白也能懂的hadoop生态圈,很黄很暴力!
- 【记录】螺栓连接——预紧力
- 全国主要城市程序员就业去处,了解后薪资翻倍
- 谷歌浏览器chrome安装vuejs devtools 插件
- 水仙花数c之和语言程序,水仙花数C语言的
- SPARQL中常见的关键字含义(PREFIX,FILTER,OPTIONAL等)
- linux vim拷贝if tab,vim文本编辑器
- 流量精灵刷流量的实例教程