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
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
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)
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
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。
import re
gbk_html
中进行筛选匹配。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。
<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。
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
<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
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()
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)
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。
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()