自學Python七 爬蟲實戰一

　　此文承接上文，讓我們寫一個簡簡單單的爬蟲，循序而漸進不是嗎？此次進行的練習是爬取前5頁什么值得買網站中的白菜價包郵信息。包括名稱，價格，推薦人，時間。

　　我們所需要做的工作：1.確定URL並獲得頁面代碼。 2.用正則匹配每件商品我們所需要的內容 3.打印信息  我還是直接上代碼吧，具體步驟看注釋就好啦！（代碼會引用HttpClient.py，可以參考之前的SmartQQ協議一文）！

# -*- coding: utf-8 -*-
import re,time,os
from HttpClient import HttpClient
class Smzdm(HttpClient):
    def __init__(self):
        self.__pageIndex = 1
        self.__Url = "http://faxian.smzdm.com/9kuai9/p" 

    #正則得到每頁商品信息
    def __getAllGoods(self,pageIndex):
        realurl = self.__Url + str(pageIndex)
        pageCode = self.Get(realurl)
        pattern = re.compile('<h2 .*?itemName"><a.*?<span .*?black">(.*?)</span><span .*?red">(.*?)</span></a></h2>.*?'+
                             '<div .*?itemUserInfo">.*?<a .*?<span .*?rankTitle">(.*?)</span>.*?<span .*?time">(.*?)</span>',re.S)
        items = re.findall(pattern,pageCode.decode("utf-8"))
        for item in items:
            print item[0],item[1],item[2],item[3]

    def start(self):
        print("正在讀取前五頁白菜價包郵，請稍等...")
        for i in range(1,6):
            print i
            self.__getAllGoods(i)

pc = Smzdm()
pc.start()

　　執行結果如下：

　　是不是感覺，代碼怎么這么少，這就搞定了？YES!

　　稍微解釋一下思路，一般類似於這種網站都是頁面+頁號構成url。所以定義一個基礎url，根據傳入的頁號構造一個真實的url。通過urllib2模塊訪問頁面得到頁面代碼，通過構造正則pattern，調用re.findall()函數找到當前頁面所有的信息，然后打印出來。一個功能智障，代碼簡單的爬蟲就造好了，easy的會了default的當然就水到渠成了，接下來你可以去試試糗事百科的段子，百度貼吧的帖子，網易新聞的留言等等！另外，我的環境為2.7.10，python3以下需要注意編碼問題，到處都是坑！