Python爬蟲(九)_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。

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.html

打開以後，不難看出裏面一個一個很是有內涵的段子，當你進行翻頁的時候，注意url地址的變化：

• 第一頁url: http: //www.neihan8.com/article/list_5_1 .html
  
• 第二頁url: http: //www.neihan8.com/article/list_5_2 .html
  
• 第三頁url: http: //www.neihan8.com/article/list_5_3 .html
  
• 第四頁url: http: //www.neihan8.com/article/list_5_4 .html

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。
咱們就開始一步一步將全部的段子爬取下來吧。

第一步：獲取數據

1. 按照咱們以前的用法，咱們須要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。
咱們建立了一個文件，叫duanzi_spider.py
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url
        """
        url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html"
        #user-Agent頭
        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的實現思想一想必你們都應該熟悉了，須要注意定義python類的成員方法須要額外添加一個參數self.

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，咱們會在皮姆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):
    """
        @bridf 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 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：對於每一個網站對中文的編碼各自不一樣，因此html.decode("gbk")的寫法並非通用的，根據網站的編碼而異。

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篩選數據。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，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標籤都有一個屬性class="f18 mb20"

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(具體能夠看前面介紹)
  
• 而後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請求網頁的辦法
        @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 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，若是沒有則匹配下一行從新匹配
    #若是加上re.S,則是將全部的字符串按一個總體進行匹配
    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 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 ite

• 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按一個總體進行匹配，findall將匹配到的全部結果封裝到一個list中。

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

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的內容去掉便可。
  
• 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>", "").replace("<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")  #a追加形式打開文件  
    myFile.write(text)
    myFile.write("-------------------------")
    myFile.close()

• 而後咱們將全部的print的語句改寫成writeToFile(), 當前頁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  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:
          item = item.replace("<p>", "").replace("</p>", "").replace("<br />". "")
  
          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。

• 只須要在外層加上一些邏輯處理便可。

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

    #將獲得的段子item_list處理
    self.printOnePage(item_list, self.page)
    self.page += 1
    print "按回車繼續...."
    print "輸入quit退出"

    command = raw_input()
    if(command == "quit"):
        self.enable = False
        break