内涵段子爬取及re匹配

时间 2019-11-12

标签内涵段子匹配繁體版

原文原文链接

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("&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("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()

View Code