内涵段子爬取及re匹配
案例：使用正则表达式的爬虫
如今拥有了正则表达式这把神兵利器，咱们就能够进行对爬取到的所有网页源代码进行筛选了。html
下面咱们一块儿尝试一下爬取内涵段子网站： http://www.neihan8.com/article/list_5_1.htmlpython
打开以后，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：web
-
第一页url: http: //www.neihan8.com/article/list_5_1 .html正则表达式
-
第二页url: http: //www.neihan8.com/article/list_5_2 .html浏览器
-
第三页url: http: //www.neihan8.com/article/list_5_3 .htmlide
-
第四页url: http: //www.neihan8.com/article/list_5_4 .html函数
这样咱们的url规律找到了，要想爬取全部的段子，只须要修改一个参数便可。 下面咱们就开始一步一步将全部的段子爬取下来吧。测试
第一步：获取数据
1. 按照咱们以前的用法，咱们须要写一个加载页面的方法。
这里咱们统必定义一个类，将url请求做为一个成员方法处理。网站
咱们建立一个文件，叫duanzi_spider.pyui
而后定义一个Spider类，而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 须要请求的第几页
@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的实现体想必你们应该很熟悉了，须要注意定义python类的成员方法须要额外添加一个参数self.
-
那么loadPage(self, page) 中的page是咱们指定去请求第几页。
-
最后经过 print html打印到屏幕上。
-
而后咱们写一个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，咱们会在屏幕上打印了内涵段子第一页的所有html代码。 可是咱们发现，html中的中文部分显示的多是乱码 。
那么咱们须要简单的将获得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 须要请求的第几页
@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_html
return gbk_html
注意 ：对于每一个网站对中文的编码各自不一样，因此html.decode(‘gbk’)的写法并非通用写法，根据网站的编码而异
-
这样咱们再次执行如下duanzi_spider.py ，会发现以前的中文乱码能够正常显示了。
第二步：筛选数据
接下来咱们已经获得了整个页面的数据。 可是，不少内容咱们并不关心，因此下一步咱们须要进行筛选。 如何筛选，就用到了上一节讲述的正则表达式。
- 首先
import re
- 而后, 在咱们获得的
gbk_html中进行筛选匹配。
咱们须要一个匹配规则:
咱们能够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，咱们须要的每一个段子的内容都是在一个
<div>标签中，并且每一个div都有一个属性class = "f18 mb20"
因此，咱们只须要匹配到网页中全部
<div class="f18 mb20">到</div>的数据就能够了。
根据正则表达式，咱们能够推算出一个公式是:
<div.*?class="f18 mb20">(.*?)</div>
-
这个表达式实际上就是匹配到全部
div中class="f18 mb20里面的内容(具体能够看前面正则介绍) -
而后将这个正则应用到代码中，咱们会获得如下代码：
def loadPage(self, page):
"""
@brief 定义一个url请求网页的方法
@param page 须要请求的第几页
@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')
#找到全部的段子内容<div class = "f18 mb20"></div>
#re.S 若是没有re.S 则是只匹配一行有没有符合规则的字符串，若是没有则下一行从新匹配
# 若是加上re.S 则是将全部的字符串将一个总体进行匹配
pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</di
v>', re.S)
item_list = pattern.findall(gbk_html)
return item_list
def printOnePage(self, item_list, page):
"""
@brief 处理获得的段子列表
@param item_list 获得的段子列表
@param page 处理第几页
"""
print "******* 第 %d 页 爬取完毕...*******" %page
for item in item_list:
print "================"
print item
这里须要注意一个是
re.S是正则表达式中匹配的一个参数。若是 没有re.S 则是 只匹配一行 有没有符合规则的字符串，若是没有则下一行从新匹配。
- 若是 加上re.S 则是将 全部的字符串 将一个总体进行匹配，findall 将全部匹配到的结果封装到一个list中。
- 而后咱们写了一个遍历
item_list的一个方法printOnePage()。 ok程序写到这，咱们再一次执行一下。
Power@PowerMac ~$ python duanzi_spider.py
咱们第一页的所有段子，不包含其余信息所有的打印了出来。
- 你会发现段子中有不少
<p>,</p>非常不舒服，实际上这个是html的一种段落的标签。 -
在浏览器上看不出来，可是若是按照文本打印会有
<p>出现，那么咱们只须要把咱们不但愿的内容去掉便可了。 -
咱们能够以下简单修改一下 printOnePage().
def printOnePage(self, item_list, page):
"""
@brief 处理获得的段子列表
@param item_list 获得的段子列表
@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("<p>", "").replace("</p>", "").repl
ace("<br />", "")
print item
第三步：保存数据
- 咱们能够将全部的段子存放在文件中。好比，咱们能够将获得的每一个item不是打印出来，而是存放在一个叫 duanzi.txt 的文件中也能够。
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()
- 而后咱们将print的语句 改为
writeToFile()，当前页面的全部段子就存在了本地的MyStory.txt文件中。
def printOnePage(self, item_list, page):
'''
@brief 处理获得的段子列表
@param item_list 获得的段子列表
@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("<p>", "").replace("</p>", "").repl
ace("<br />", "")
# print item
self.writeToFile(item)
第四步：显示数据
-
接下来咱们就经过参数的传递对page进行叠加来遍历 内涵段子吧的所有段子内容。
-
只须要在外层加一些逻辑处理便可。
def doWork(self):
'''
让爬虫开始工做
'''
while self.enable:
try:
item_list = self.loadPage(self.page)
except urllib2.URLError, e:
print e.reason
continue
#对获得的段子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 = False
break
- 最后，咱们执行咱们的代码，完成后查看当前路径下的duanzi.txt文件，里面已经有了咱们要的内涵段子。
以上即是一个很是精简使用的小爬虫程序，使用起来非常方便，若是想要爬取其余网站的信息，只须要修改其中某些参数和一些细节就好了。
以上博文来自传智播客--->如下为py3代码, 亲测可用
python3 完整代码:
import sys from urllib import request, parse import re import chardet class Spider: def __init__(self): # 初始化起始页位置 self.page = 1 # 爬取开关, 若是为True继续爬取, 反之中止 self.switch = True def 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url headers = {"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) # 建立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, 返回这个页面内的全部段子的列表 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: # 将集合里的每一个段子挨个处理, 替换掉无用数据 content = content.replace("<p>", "").replace("<br />", "").replace("“", "").replace("”", "").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("若是继续爬取, 请按回车(退出输入quit)") if command == "quit": print("OKKKKKKKKKKKKKK") self.switch = False self.page += 1 print("谢谢使用!!!") if __name__ == "__main__": neihan = Spider() neihan.startWork()
相关文章
- 1. Python爬取内涵段子里的段子
- 2. Python爬虫之爬取内涵吧段子（urllib.request）
- 3. 爬内涵段子，开心一刻
- 4. python爬虫之内涵段子
- 5. json--数据提取--内涵段子
- 6. Python爬虫爬取静态网页实例一：爬取内涵段子吧上的段子
- 7. python RE(正则表达式）模块基本使用(爬取内涵段子网站)
- 8. python爬虫（爬取段子）
- 9. 使用python 编写 抓取内涵段子动态图的简单爬虫
- 10. 经过抓包获取内涵段子的接口
- 更多相关文章...
- • Scala 模式匹配 - Scala教程
- • MyBatis BlobTypeHandler读取Blob字段 - MyBatis教程
- • Flink 数据传输及反压详解
- • IntelliJ IDEA 代码格式化配置和快捷键
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
