爬虫——爬虫中使用正则表达式

Posted 骑着螞蟻流浪

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫——爬虫中使用正则表达式相关的知识,希望对你有一定的参考价值。

下面我们尝试爬取内涵段子网站:http://www.neihan8.com/article/list_5_1.html

打开之后,当你进行翻页的时候,不难注意到,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,我们把url规律找到了,要想爬取所有的段子,只需要修改一个参数即可。下面,我们就开始一步一步将所有的段子爬取下来。

第一步:获取网页数据(网页上全部内容)

1.按照我们之前的用法,我们需要写一个加载页面的方法。

这里我们定义一个类,将url请求作为一个成员方法处理。

我们创建一个duanzi_spider.py文件。

然后定义一个Spider类,并且添加一个加载页面的成员方法

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = \'mayi\'

import requests

class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {\'User-Agent\':\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36\'}
        response = requests.get(url = url, headers = header)
        html = response.content.decode("gb18030")
        
        # 打印页面内容
        print(html)
        
        # 返回页面内容
        return html

2.写main函数测试loadPage()方法

if __name__ == \'__main__\':
    # 实例化类对象
    my_spider = Spider()
    # 让用户输入需爬取页面的页码
    page = int(input("请输入你需要爬取的页码:"))
    # 拼接用户需爬取页面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    html = my_spider.loadPage(url)

第二步:筛选数据

我们已经得到了整个页面的数据。但是,里面有很多内容我们并不需要,所以下一步我们需要对上面爬取的内容进行筛选。如果筛选,这里就用到了我们前面讲到的正则表达式。

  • 首先
import re
  • 然后:在我们得到的html中进行筛选匹配。

我们需要一个匹配规则:

 我们可以打开内涵段子的网页,鼠标点击右键“查看源代码”,你会发现,我们需要的每个段子的内容都是在一个<div>标签中,而且每个div都有一个属性class="f18 mb20"

所以,我们只需要匹配到网页中所有<div class="f18 mb20">到</div>的数据就可以了。

根据正则表达式,我们可以推算出一个公式是:

<div class="f18 mb20">(.*?)</div>
  • 这个表达式实际上就是匹配到所有div中class="f18 mb20"里面的内容
  • 然后将这个正则应用到代码中,我们会得到以下代码:
#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = \'mayi\'

import requests
import re

class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {\'User-Agent\':\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36\'}
        response = requests.get(url = url, headers = header)
        html = response.content

        return html.decode("gb18030")

    def screenPage(self, html):
        """
        筛选html内容,返回列表
        :param html:
        :return:
        """
        # <div class="f18 mb20">...</div>
        pattern = re.compile(r\'<div class="f18 mb20">(.*?)</div>\', re.S)
        item_list = pattern.findall(html)

        return item_list

if __name__ == \'__main__\':
    # 实例化类对象
    my_spider = Spider()
    # 让用户输入需爬取页面的页码
    page = int(input("请输入你需要爬取的页码:"))
    # 拼接用户需爬取页面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    # 下载网页内容
    html = my_spider.loadPage(url)
    # 筛选数据
    item_list = my_spider.screenPage(html)
  • 这里需要注意的是re.S是正则表达式中匹配的一个参数。
  • 如果没有re.S,则是只匹配一行中有没有符合规则的字符串,如果没有则下一行重新匹配。
  • 如果加上re.S则是将所有的字符串作为一个整体进行匹配,findall将所有匹配到的结果返回列表中。

第三步:保存数据

我们可以将所有的段子存放在文件中。

    def writePage(self, list):
        """
        以追加的形式存储筛选后的内容
        :param list: 筛选后的数据,列表形式
        :return:
        """
        with open(self.file_name, "a", encoding = "utf-8") as f:
            for content in list:
                # 段子内容:因为段子中有很多<p>,</p>,<br />。。。,还有一些转义字符。在这里作下替换
                content = content.replace("…", "…").replace("“", "“").replace("”", "”")
                content = content.replace(" ", "").replace("\\t", "").replace(":", ":")
                content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
                content = content.replace("\\u3000", "").replace("\\r\\n\\r\\n", "\\r\\n")
                content = content.strip()

                # 写入一个段子的内容
                f.write(content)
                # 我是分割线
                f.write("*" * 30)

第四步:完整的程序

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = \'mayi\'

import requests
import re

class Spider(object):
    """
    一个爬虫类
    """
    def __init__(self, start_page, end_page):
        """
        类的初始化函数
        :param start_page:
        :param end_page:
        :return:
        """
        self.start_page = start_page
        self.end_page = end_page
        self.file_name = "duanzi.txt"

    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {\'User-Agent\':\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36\'}
        response = requests.get(url = url, headers = header)
        html = response.content

        return html.decode("gb18030")

    def screenPage(self, html):
        """
        筛选html内容,返回列表
        :param html:
        :return:
        """
        # <div class="f18 mb20">...</div>
        pattern = re.compile(r\'<div class="f18 mb20">(.*?)</div>\', re.S)
        item_list = pattern.findall(html)

        return item_list

    def writePage(self, list):
        """
        以追加的形式存储筛选后的内容
        :param list: 筛选后的数据,列表形式
        :return:
        """
        with open(self.file_name, "a", encoding = "utf-8") as f:
            for content in list:
                # 段子内容:因为段子中有很多<p>,</p>,<br />。。。,还有一些转义字符。在这里作下替换
                content = content.replace("…", "…").replace("“", "“").replace("”", "”")
                content = content.replace(" ", "").replace("\\t", "").replace(":", ":")
                content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
                content = content.replace("\\u3000", "").replace("\\r\\n\\r\\n", "\\r\\n").replace("\\r\\n", "\\n")
                content = content.strip()

                # 写入一个段子的内容
                f.write(content)
                # 我是分割线
                f.write("*" * 30)

    def run(self):
        """
        让爬虫开始工作
        :return:
        """
        # 循环处理我们需要爬取的页面
        for page in range(self.start_page, self.end_page + 1):
            # 拼接当前页码page的url地址
            url = "http://www.neihan8.com/article/list_5_{}.html".format(str(page))
            print("正在下载第{}页".format(str(page)))
            # 下载url对应的全部内容
            html = self.loadPage(url)
            # 筛选数据
            item_list = self.screenPage(html)
            # 存储筛选后的数据
            self.writePage(item_list)

# 主函数
if __name__ == \'__main__\':
    # 让用户输入需爬取页面的起始页码
    start_page = int(input("请输入您需要爬取的起始页:"))
    # 让用户输入需爬取页面的终止页码
    end_page   = int(input("请输入您需要爬取的终止页:"))
    # 实例化类对象
    mySpider = Spider(start_page, end_page)
    # 让爬虫开始工作
    mySpider.run()

最后,我们执行上面的代码,完成后查看当前路径下的duanzi.txt文件,里面已经有我们要的内涵段子。

以上便是一个非常精简的小爬虫程序,使用起来很方便,如果想要爬取其他网站的信息,只需要修改其中某些参数和一些细节就行了。

 

以上是关于爬虫——爬虫中使用正则表达式的主要内容,如果未能解决你的问题,请参考以下文章

互联网金融爬虫怎么写-第二课 雪球网股票爬虫(正则表达式入门)

互联网金融爬虫怎么写-第二课 雪球网股票爬虫(正则表达式入门)

Python从零开始写爬虫-2 使用正则表达式解析HTML

Python:使用正则表达式爬虫如何处理HTML代码中的换行?

Python:使用正则表达式爬虫如何处理HTML代码中的换行?

爬虫——爬虫中使用正则表达式