Python爬虫(九)_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。

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.html

打开以后，不难看出里面一个一个很是有内涵的段子，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。
咱们就开始一步一步将全部的段子爬取下来吧。

第一步：获取数据

1. 按照咱们以前的用法，咱们须要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。
咱们建立了一个文件，叫duanzi_spider.py
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的实现思想一想必你们都应该熟悉了，须要注意定义python类的成员方法须要额外添加一个参数self.

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，咱们会在皮姆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):
    """
        @bridf 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 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")的写法并非通用的，根据网站的编码而异。

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

• 而后，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标签都有一个属性class="f18 mb20"

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(具体能够看前面介绍)
  
• 而后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请求网页的办法
        @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 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，若是没有则匹配下一行从新匹配
    #若是加上re.S,则是将全部的字符串按一个总体进行匹配
    pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', 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 ite

• 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按一个总体进行匹配，findall将匹配到的全部结果封装到一个list中。

• 若是咱们写了一个遍历item_list的一个方法printOnePage()。ok程序写到这，咱们再一次执行一下。

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的内容去掉便可。
  
• 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>", "").replace("<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")  #a追加形式打开文件  
    myFile.write(text)
    myFile.write("-------------------------")
    myFile.close()

• 而后咱们将全部的print的语句改写成writeToFile(), 当前页面的全部段子就存在了本地的duanzi.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:
          item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "")
  
          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。

• 只须要在外层加上一些逻辑处理便可。

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

    #将获得的段子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