python爬虫正则表达式实例-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:
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。
import urllib2
class 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url
"""
url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html"
#user-Agent头
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
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:
def loadPage(self, page):
"""
@bridf 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 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: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
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
根据正则表达式,我们可以推算出一个公式是:
(.*?)
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:
def loadPage(self, page):
"""
@brief 定义一个url请求网页的办法
@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 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")
#找到所有的段子内容
#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
#如果加上re.S,则是将所有的字符串按一个整体进行匹配
pattern = re.compile(r'
(.*?)', re.S)
item_list = pattern.findall(gbk_html)
return item_list
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...******"%page)
for 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。
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
,
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
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()
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*****"%page)
for item in item_list:
print("============")
item = item.replace("
", "").replace("
", "").replace("
", "")
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。
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") #a追加形式打开文件
myFile.write(text)
myFile.write("-------------------------")
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。
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****"%page)
for item in item_list:
item = item.replace("
", "").replace("
", "").replace("
". "")
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。
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.reason
continue
#将得到的段子item_list处理
self.printOnePage(item_list, self.page)
self.page += 1
print "按回车继续...."
print "输入quit退出"
command = raw_input()
if(command == "quit"):
self.enable = False
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脚本之家。
python爬虫正则表达式实例-Python 正则表达式爬虫使用案例解析相关推荐
- python爬虫正则表达式实例-使用正则表达式进行页面提取
使用正则表达式进行页面提取 上节课我们学习了如何使用 BeautifulSoup 来解析页面,这节课我们来学习下如何使用正则来解析页面. 正则表达式的基本概念 正则表达式基本语法 正则表达式常用函数 ...
- python爬虫正则表达式实例-python爬虫学习三:python正则表达式
python爬虫学习三:python正则表达式 1.正则表达式基础 a.正则表达式的大致匹配过程: 1.依次拿出表达式和文本中的字符比较 2.如果每一个字符都能匹配,则匹配成功:一旦有匹配不成功的字符 ...
- python爬虫入门实例-Python爬虫快速入门:基本结构简单实例
本爬虫系列入门教程假设读者仅有一点点Python基础或者近乎为零的基础.如果是有Python基础的可以跳过一些对于Python基本知识的补充. 爬虫能干什么呢?一句话概括,正常通过浏览器可以获取的数据 ...
- python爬虫入门实例-Python爬虫天气预报实例详解(小白入门)
本文研究的主要是Python爬虫天气预报的相关内容,具体介绍如下. 要求是把你所在城市过去一年的历史数据爬出来. 分析网站 我们可以看到,我们需要的天气数据都是放在图表上的,在切换月份的时候,发现只有 ...
- python数据分析可视化实例-Python数据分析与可视化从入门到精通
(1)没有高深理论,每章都以实例为主,读者参考书中源码运行,就能得到与书中一样的结果.(2)专注于Python数据分析与可视化操作中实际用到的技术.相比大而全的书籍资料,本书能让读者尽快上手,开始项目 ...
- python简单程序实例-python简单项目实例
语言多元化是PayPal编程文化中一个重要的组成部分.在C++和Java长期流行的同时,更多的团队选择了Jva和Scala.同时,Braintree的收购也引入了一个久经世故的Ruby社区.Pytho ...
- python装饰器实例-Python装饰器实用例子
Python里我们经常能见到@开头的句法,也就是人们常说的装饰器(decorator).装饰器是Python非常重要的一部分,能够产出更易于维护的代码.这篇文章会给大家带来装饰器的介绍以及几个实用的例 ...
- python装饰器实例-python装饰器实例大详解
原标题:python装饰器实例大详解 一.作用域 在python中,作用域分为两种:全局作用域和局部作用域. 全局作用域是定义在文件级别的变量,函数名.而局部作用域,则是定义函数内部. 关于作用域,我 ...
- python零基础实例-Python初学零基础也不怕,从0开始!
Python3 列表.列表是咱们在python中最常用的数据模型,他承担的重要的人物,也展示出了他强大的一面. 序列是Python中最根本的数据结构.序列中的每个元素都分配一个数字 - 它的位置,或索 ...
- python的用途实例-python assert的用处示例详解
使用assert断言是学习python一个非常好的习惯,python assert 断言句语格式及用法很简单.在没完善一个程序之前,我们不知道程序在哪里会出错,与其让它在运行最崩溃,不如在出现错误条件 ...
最新文章
- 手把手教 | 使用Bert预训练模型文本分类(内附源码)
- 机房合作--gitee的使用
- python如何输出百分比的数字_Python如何输出百分比
- Android studio中git密码记住的问题
- 大道至简(第六章)读后感
- 基于GitBook框架搭建技术文档平台
- Java创建一个学生类
- 标注所有线段的lisp程序源码_仪表进近图剖面图的详解(五)进近程序高度限制...
- Embeded linux之地址映射
- 阻止电脑自动安装软件_一套连招彻底阻止流氓软件静默安装
- 多屏互动之Duet Display和Air Display
- 开源Java(JSP) CMS系统源码推荐
- 怎么把解压的文件在HTML打开,压缩文件怎么解压打开?
- Android Q Data Setup for Short Connection
- 【车载】轮速-AK协议
- Linux技术--mysql数据库基础操作
- 不可随便给一个人说晚安『你知道它的真正意义吗?不想以后后悔就进来看看吧』
- 参考文档一:性能测试---测试方案
- 逆置线性表(线性表)
- 大规模SNS中兴趣圈子的自动挖掘
热门文章
- Django 应用开发(2)
- 黑马程序员 - 接口、内部类和异常
- 支持高并发的IIS Web服务器常用设置
- [C#程序]汉字转拼音缩写的函数
- python简单代码 春节集五福-集五福活动又来了,不过这个价值几十亿的大项目也别错过...
- 最适合python程序员用的笔记本-作为一个Python程序员,电脑上应该具备哪些软件?...
- python编程入门书籍推荐-给刚入门python的朋友推荐几本书
- python小程序-Python基本小程序
- python读取excel-Python Pandas读取修改excel操作攻略
- python真的那么强大嘛-这些 Python 库真的很“冷”,但是却很强大