內涵段子爬取及re匹配

時間 2019-11-12

標籤內涵段子匹配简体版

原文原文鏈接

案例：使用正則表達式的爬蟲

如今擁有了正則表達式這把神兵利器，咱們就能夠進行對爬取到的所有網頁源代碼進行篩選了。html

下面咱們一塊兒嘗試一下爬取內涵段子網站： http://www.neihan8.com/article/list_5_1.htmlpython

打開以後，不難看到裏面一個一個灰常有內涵的段子，當你進行翻頁的時候，注意url地址的變化：web

第一頁url: http: //www.neihan8.com/article/list_5_1 .html正則表達式
第二頁url: http: //www.neihan8.com/article/list_5_2 .html瀏覽器
第三頁url: http: //www.neihan8.com/article/list_5_3 .htmlide
第四頁url: http: //www.neihan8.com/article/list_5_4 .html函數

這樣咱們的url規律找到了，要想爬取全部的段子，只須要修改一個參數便可。下面咱們就開始一步一步將全部的段子爬取下來吧。測試

第一步：獲取數據

1. 按照咱們以前的用法，咱們須要寫一個加載頁面的方法。

這裏咱們統必定義一個類，將url請求做爲一個成員方法處理。網站

咱們建立一個文件，叫duanzi_spider.pyui

而後定義一個Spider類，而且添加一個加載頁面的成員方法

import urllib2

class Spider:
    """
        內涵段子爬蟲類
    """
    def loadPage(self, page):
        """
            @brief 定義一個url請求網頁的方法
            @param page 須要請求的第幾頁
            @returns 返回的頁面html
        """

    url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
    #User-Agent頭
    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的實現體想必你們應該很熟悉了，須要注意定義python類的成員方法須要額外添加一個參數self.

那麼loadPage(self, page) 中的page是咱們指定去請求第幾頁。
最後經過 print html打印到屏幕上。
而後咱們寫一個main函數見到測試一個loadPage方法

2. 寫main函數測試一個loadPage方法

if __name__ == '__main__':
    """
        ======================
            內涵段子小爬蟲
        ======================
    """
    print '請按下回車開始'
    raw_input()

    #定義一個Spider對象
    mySpider = Spider()
    mySpider.loadpage(1)

程序正常執行的話，咱們會在屏幕上打印了內涵段子第一頁的所有html代碼。可是咱們發現，html中的中文部分顯示的多是亂碼。

那麼咱們須要簡單的將獲得的網頁源代碼處理一下：

def loadPage(self, page):
    """
        @brief 定義一個url請求網頁的方法
        @param page 須要請求的第幾頁
        @returns 返回的頁面html
    """

    url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
    #User-Agent頭
    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：對於每一個網站對中文的編碼各自不一樣，因此html.decode(‘gbk’)的寫法並非通用寫法，根據網站的編碼而異

這樣咱們再次執行如下duanzi_spider.py ，會發現以前的中文亂碼能夠正常顯示了。

第二步：篩選數據

接下來咱們已經獲得了整個頁面的數據。可是，不少內容咱們並不關心，因此下一步咱們須要進行篩選。如何篩選，就用到了上一節講述的正則表達式。

首先

import re

而後, 在咱們獲得的gbk_html中進行篩選匹配。

咱們須要一個匹配規則:

咱們能夠打開內涵段子的網頁，鼠標點擊右鍵「查看源代碼」你會驚奇的發現，咱們須要的每一個段子的內容都是在一個 <div>標籤中，並且每一個div都有一個屬性class = "f18 mb20"

因此，咱們只須要匹配到網頁中全部<div class="f18 mb20"> 到 </div> 的數據就能夠了。

根據正則表達式，咱們能夠推算出一個公式是:

`<div.?class="f18 mb20">(.?)</div>`

這個表達式實際上就是匹配到全部div中class="f18 mb20 裏面的內容(具體能夠看前面正則介紹)
而後將這個正則應用到代碼中，咱們會獲得如下代碼：

def loadPage(self, page):
    """
        @brief 定義一個url請求網頁的方法
        @param page 須要請求的第幾頁
        @returns 返回的頁面html
    """

    url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
    #User-Agent頭
    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')

    #找到全部的段子內容<div class = "f18 mb20"></div>
    #re.S 若是沒有re.S 則是隻匹配一行有沒有符合規則的字符串，若是沒有則下一行從新匹配
    # 若是加上re.S 則是將全部的字符串將一個總體進行匹配
    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 處理獲得的段子列表
        @param item_list 獲得的段子列表
        @param page 處理第幾頁
    """

    print "******* 第 %d 頁 爬取完畢...*******" %page
    for item in item_list:
        print "================"
        print item

這裏須要注意一個是re.S是正則表達式中匹配的一個參數。

若是沒有re.S 則是只匹配一行有沒有符合規則的字符串，若是沒有則下一行從新匹配。

若是加上re.S 則是將全部的字符串將一個總體進行匹配，findall 將全部匹配到的結果封裝到一個list中。

而後咱們寫了一個遍歷item_list的一個方法 printOnePage() 。 ok程序寫到這，咱們再一次執行一下。

Power@PowerMac ~$ python duanzi_spider.py

咱們第一頁的所有段子，不包含其餘信息所有的打印了出來。

你會發現段子中有不少 <p> , </p> 非常不舒服，實際上這個是html的一種段落的標籤。
在瀏覽器上看不出來，可是若是按照文本打印會有<p>出現，那麼咱們只須要把咱們不但願的內容去掉便可了。
咱們能夠以下簡單修改一下 printOnePage().

def printOnePage(self, item_list, page):
    """
        @brief 處理獲得的段子列表
        @param item_list 獲得的段子列表
        @param page 處理第幾頁
    """

    print "******* 第 %d 頁 爬取完畢...*******" %page
    for item in item_list:
        print "================"
        item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
        print item

第三步：保存數據

咱們能夠將全部的段子存放在文件中。好比，咱們能夠將獲得的每一個item不是打印出來，而是存放在一個叫 duanzi.txt 的文件中也能夠。

def writeToFile(self, text):
'''
    @brief 將數據追加寫進文件中
    @param text 文件內容
'''
    myFile = open("./duanzi.txt", 'a') #追加形式打開文件
    myFile.write(text)
    myFile.write("---------------------------------------------
--------")
    myFile.close()

而後咱們將print的語句改爲writeToFile() ，當前頁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 處理獲得的段子列表
    @param item_list 獲得的段子列表
    @param page 處理第幾頁
'''
    print "******* 第 %d 頁 爬取完畢...*******" %page
    for item in item_list:
        # print "================"
        item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
        # print item
        self.writeToFile(item)

第四步：顯示數據

接下來咱們就經過參數的傳遞對page進行疊加來遍歷內涵段子吧的所有段子內容。
只須要在外層加一些邏輯處理便可。

def doWork(self):
'''
    讓爬蟲開始工做
'''
    while self.enable:
        try:
            item_list = self.loadPage(self.page)
        except urllib2.URLError, e:
            print e.reason
            continue

        #對獲得的段子item_list處理
        self.printOnePage(item_list, self.page)
        self.page += 1 #此頁處理完畢，處理下一頁
        print "按回車繼續..."
        print "輸入 quit 退出"
        command = raw_input()
        if (command == "quit"):
            self.enable = False
            break

最後，咱們執行咱們的代碼，完成後查看當前路徑下的duanzi.txt文件，裏面已經有了咱們要的內涵段子。

以上即是一個很是精簡使用的小爬蟲程序，使用起來非常方便，若是想要爬取其餘網站的信息，只須要修改其中某些參數和一些細節就好了。

以上博文來自傳智播客--->如下爲py3代碼, 親測可用

python3 完整代碼:

import sys
from urllib import request, parse
import re

import chardet


class Spider:
    def __init__(self):
        # 初始化起始頁位置
        self.page = 1
        # 爬取開關, 若是爲True繼續爬取, 反之中止
        self.switch = True

    def loadPage(self):
        """
        下載頁面
        """
        print("正在下載數據.....")
        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"}
        # 構建請求, 返回req對象
        req = request.Request(url, headers=headers)
        # 發送請求, 返回response相應
        response = request.urlopen(req)
        # html爲每頁的源碼, 格式爲字符串
        html = response.read()
        encode_type = chardet.detect(html)
        # print("編碼格式爲:--->"+str(encode_type))
        html = html.decode(encode_type['encoding'])
        # print(html)
        # 建立一個正則表達式規則對象, 匹配每頁裏段子內容, re.S表示爲匹配去啊怒字符串對象
        pattern = re.compile('<div class="f18 mb20">(.*?)</div>', re.S)
        # 將正則匹配對象應用到html源碼字符串內, 返回這個頁面內的全部段子的列表
        content_list = pattern.findall(html)
        self.dealPage(content_list)


    def dealPage(self, content_list):
        """處理每頁的段子"""
        print("正在處理數據.....")
        for content in content_list:
            # 將集合裏的每一個段子挨個處理, 替換掉無用數據

            content = content.replace("<p>", "").replace("<br />", "").replace("&ldquo;", "").replace("&rdquo;", "").replace("                        　　", "")
            # print(content)
            self.writePage(content)
        print("正在保存數據.....")



    def writePage(self, content):
        """把每條段子逐個寫入到文件中"""
        with open("段子.txt", "a") as f:
            f.write(content)


    def startWork(self):
        """控制爬蟲爬行"""
        # 爬蟲開關
        while self.switch:
            self.loadPage()
            command = input("若是繼續爬取, 請按回車(退出輸入quit)")
            if command == "quit":
                print("OKKKKKKKKKKKKKK")
                self.switch = False

            self.page += 1
        print("謝謝使用!!!")


if __name__ == "__main__":
    neihan = Spider()
    neihan.startWork()