Python 爬蟲從入門到進階之路（九）

以前的文章咱們介紹了一下 Python 中的正則表達式和與爬蟲正則相關的 re 模塊，本章咱們就利用正則表達式和 re 模塊來作一個案例，爬取《糗事百科》的糗事並存儲到本地。

咱們要爬取的網站連接是 https://www.qiushibaike.com/text/page/1/ 。

咱們要爬取的是裏面的糗事，在以前的文章中咱們已經能夠爬取整個 url 連接裏的 html 內容，那麼咱們就能夠根據爬取到的 html 代碼，再經過 re 模塊匹配咱們想要的內容便可。

咱們經過調用開發者工具檢查 HTML 元素髮現咱們想要的內容在  <div class="content"> ...... </div>  內，根據這個咱們能夠寫出代碼以下：

 1 import urllib.request
 2 import re
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 
 8 url = "https://www.qiushibaike.com/text/page/1/"
 9 # User-Agent頭
10 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
11 headers = {'User-Agent': user_agent}
12 req = urllib.request.Request(url, headers=headers)
13 response = urllib.request.urlopen(req)
14 # 獲取每頁的HTML源碼字符串
15 html = response.read().decode('utf-8')
16 # 建立正則表達式規則對象，匹配每頁裏的糗事內容，re.S 表示匹配所有字符串內容
17 # 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
18 # 若是加上re.S 則是將全部的字符串將一個總體進行匹配
19 pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
20 # 將正則匹配對象應用到html源碼字符串裏，返回這個頁面裏的全部糗事的列表
21 content_list = pattern.findall(html)
22 # 調用dealPage() 處理糗事裏的雜七雜八
23 print(content_list)

最終咱們打印結果以下：

從上面的打印結果能夠看出咱們已經拿到了咱們想要的數據，而且存儲在了一個列表裏，那麼接下來咱們只須要再處理一下列表，叫列表內雜七雜八的內容，如上圖中的 \n <span>標籤等去掉，就是咱們想要的內容了。

1 for item in item_list:
2     item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace("\n", "")
3     print(item)
4     self.writePage(item)

上面的代碼中 item_list 即爲咱們上面所獲取到的 content_list 列表，經過對列表的內容分析，咱們發現有 <span> ，<span class="contentForAll">查看全文，</span>，<br/>，\n 等多餘內容，咱們經過 replace 方法將其轉爲空，剩下的就是咱們想要的內容了，接下來就是存儲到本地便可了。

上面就能夠實現一個獲取 糗事百科 的糗事的簡單爬蟲，可是隻能爬取單個頁面的內容，經過分析 url 咱們發現 https://www.qiushibaike.com/text/page/1/ 中最後的 1 即爲頁碼，咱們就能夠根據這個頁碼逐一爬取更多頁面的內容，最終的代碼以下：

 1 import urllib.request
 2 import re
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 
 8 
 9 class Spider:
10     def __init__(self):
11         # 初始化起始頁位置
12         self.page = 1
13         # 爬取開關，若是爲True繼續爬取
14         self.switch = True
15 
16     def loadPage(self):
17         """
18            做用：打開頁面
19         """
20         url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/"
21         # User-Agent頭
22         user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
23         headers = {'User-Agent': user_agent}
24         req = urllib.request.Request(url, headers=headers)
25         response = urllib.request.urlopen(req)
26         # 獲取每頁的HTML源碼字符串
27         html = response.read().decode('utf-8')
28         # 建立正則表達式規則對象，匹配每頁裏的糗事內容，re.S 表示匹配所有字符串內容
29         # 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
30         # 若是加上re.S 則是將全部的字符串將一個總體進行匹配
31         pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
32         # 將正則匹配對象應用到html源碼字符串裏，返回這個頁面裏的全部糗事的列表
33         content_list = pattern.findall(html)
34         # 調用dealPage() 處理糗事裏的雜七雜八
35         self.dealPage(content_list)
36 
37     def dealPage(self, item_list):
38         """
39             @brief 處理獲得的糗事列表
40             @param item_list 獲得的糗事列表
41             @param page 處理第幾頁
42         """
43         for item in item_list:
44             item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace("\n", "")
45             self.writePage(item)
46 
47     def writePage(self, text):
48         """
49             @brief 將數據追加寫進文件中
50             @param text 文件內容
51         """
52         myFile = open("./duanzi.txt", 'a')  # 追加形式打開文件
53         myFile.write(text + "\n\n")
54         myFile.close()
55 
56     def startWork(self):
57         """
58             控制爬蟲運行
59         """
60         # 循環執行，直到 self.switch == False
61         while self.switch:
62             # 用戶肯定爬取的次數
63             self.loadPage()
64             command = input("若是繼續爬取，請按回車（退出輸入quit)")
65             if command == "quit":
66                 # 若是中止爬取，則輸入 quit
67                 self.switch = False
68             # 每次循環，page頁碼自增1
69             self.page += 1
70         print("爬取結束！")
71 
72 
73 if __name__ == '__main__':
74     # 定義一個Spider對象
75     qiushiSpider = Spider()
76     qiushiSpider.startWork()

最終會在本地添加一個 qiushi.txt 的文件，結果以下：