python简单爬虫

　　爬虫真是一件有意思的事儿啊，以前写过爬虫，用的是urllib二、BeautifulSoup实现简单爬虫，scrapy也有实现过。最近想更好的学习爬虫，那么就尽量的作记录吧。这篇博客就我今天的一个学习过程写写吧。

一  正则表达式

　　正则表达式是一个很强大的工具了，众多的语法规则，我在爬虫中经常使用的有：

.	匹配任意字符（换行符除外）
*	匹配前一个字符0或无限次
?	匹配前一个字符0或1次
.*	贪心算法
.*?	非贪心算法
（.*?)	将匹配到的括号中的结果输出
\d	匹配数字
re.S	使得.能够匹配换行符

　　经常使用的方法有：find_all()，search()，sub()

　　对以上语法方法作以练习，代码见：https://github.com/Ben0825/Crawler/blob/master/re_test.py

 

二  urllib和urllib2

　　urllib和urllib2库是学习Python爬虫最基本的库，利用该库，咱们能够获得网页的内容，同时，能够结合正则对这些内容提取分析，获得真正想要的结果。

　　在此将urllib和urllib2结合正则爬取了糗事百科中的做者点赞数内容。

　　代码见：https://github.com/Ben0825/Crawler/blob/master/qiubai_test.py

 

三 BeautifulSoup

　　BeautifulSoup是Python的一个库，最主要的功能是从网页抓取数据，官方介绍是这样的：
　　Beautiful Soup 提供一些简单的、python 式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,经过解析文档为用户提供须要抓取的数据,由于简单,因此不须要多少代码就能够写出一个完整的应用程序。
　　Beautiful Soup 自动将输入文档转换为 Unicode 编码,输出文档转换为 utf-8 编码。你不须要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup 就不能自动识别编码方式了。而后,你仅仅须要说明一下原始编码方式就能够了。
　　Beautiful Soup 已成为和 lxml、html6lib 同样出色的 python 解释器,为用户灵活地提供不一样的解析策略或强劲的速度。

　　首先：爬取百度百科Python词条下相关的100个页面，爬取的页面值本身设定。

　　代码详见：https://github.com/Ben0825/Crawler/tree/master/python_baike_Spider

　　代码运行：

　　

　　　　　　　

　　巩固篇，依据豆瓣中图书的标签获得一个书单，一样使用BeautifulSoup。

　　代码详见：https://github.com/Ben0825/Crawler/blob/master/doubanTag.py

　　运行结果：　　

 

　　　以上就是今天学习的一些内容，爬虫真的颇有意思啊，明天继续学scrapy!