Python爬蟲(十一)_案例：使用正則表達式的爬蟲

本章將結合先前所學的爬蟲和正則表達式知識，做一個簡單的爬蟲案例，更多內容請參考:Python學習指南

現在擁有了正則表達式這把神兵利器，我們就可以進行對爬取到的全部網頁源代碼進行篩選了。

下面我們一起嘗試一下爬取內涵段子網站：
http://www.neihan8.com/article/list_5_1.html

打開之后，不難看出里面一個一個非常有內涵的段子，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

這樣我們的url規律找到了，要想爬取所有的段子，只需要修改一個參數即可。
我們就開始一步一步將所有的段子爬取下來吧。

第一步：獲取數據

1. 按照我們之前的用法，我們需要一個加載頁面的方法。

這里我們統一定義一個類，將url請求作為一個成員方法處理。
我們創建了一個文件，叫duanzi_spider.py
然后定義一個Spider類，並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需要請求的第幾頁
            @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的實現思想想必大家都應該熟悉了，需要注意定義python類的成員方法需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，我們會在皮姆上打印了內涵段子第一頁的全部html代碼。但是我們發現，html中的中文部分顯示的可能是亂碼。
  
  那么我們需要簡單的將得到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 需要請求的第幾頁
        @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：對於每個網站對中文的編碼各自不同，所以html.decode("gbk")的寫法並不是通用的，根據網站的編碼而異。

第二步：篩選數據

接下來我們已經得到了整個頁面的數據。但是，很多內容我們並不關心，所以下一步我們需要篩選數據。如何篩選，就用到了上一節講述的正則表達式

• 首先

import re

• 然后，我們得到的gbk_html中進行篩選匹配。

我們需要一個匹配規則

我們可以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，我們需要的每個段子的內容都是在一個<div>標簽中，而且每個div標簽都有一個屬性class="f18 mb20"

根據正則表達式，我們可以推算出一個公式是：

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

• 這個表達式實際上就是匹配到所有div中class="f18 mb20"里面的內容(具體可以看前面介紹)
• 然后這個正則應用到代碼中，我們會得到以下代碼：

def loadPage(self, page):
    """
        @brief 定義一個url請求網頁的辦法
        @param page 需要請求的第幾頁
        @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")

    #找到所有的段子內容<div class="f18 mb20"></div>
    #re.S 如果沒有re.S,則是只匹配一行有沒有符合規則的字符串，如果沒有則匹配下一行重新匹配
    #如果加上re.S,則是將所有的字符串按一個整體進行匹配
    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 處理得到的段子列表
        @param item_list 得到的段子列表
        @param page處理第幾頁
    """

    print("*********第%d頁，爬取完畢...******"%page)

    for item in item_list:
        print("===============")
        print ite

• 這里需要注意一個是re.S是正則表達式中匹配的一個參數。
• 如果沒有re.S則是只匹配一行有沒有符合規則的字符串，如果沒有則下一行重新匹配。
• 如果加上re.S則是將所有的字符串按一個整體進行匹配，findall將匹配到的所有結果封裝到一個list中。

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

python duanzi_spider.py

我們第一頁的全部段子，不包含其他信息全部的打印了出來.

• 你會發現段子中有很多<p>,</p>很是不舒服，實際上這個是html的一種段落的標簽。
• 在瀏覽器上看不出來，但是如果按照文本打印會有<p>出現，那么我們只需要把我們的內容去掉即可。
• 我們可以如下簡單修改一下printOnePage()

def printOnePage(self, item_list, page):
    """
        @brief 處理得到的段子列表
        @param item_list 得到的段子列表
        @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

• 我們可以將所有的段子存放在文件中。比如，我們可以將得到的每個item不是打印出來，而是放在一個叫duanzi.txt的文件中也可以。

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()

• 然后我們將所有的print的語句改寫成writeToFile(), 當前頁面的所有段子就存在了本地的duanzi.txt文件中。

def printOnePage(self, item_list, page):
    """
        @brief  處理得到的段子列表
        @param item_list 得到的段子列表
        @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

• 接下來我們就通過參數的傳遞對page進行疊加來遍歷內涵段子吧的全部段子內容。

• 只需要在外層加上一些邏輯處理即可。

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

    #將得到的段子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

• 最后，我們執行我們的代碼，完成后查看當前路徑下的duanzi.txt文件，里面已經有了我們要的內涵段子。

以上便是一個非常精簡的小爬蟲程序，使用起來很是方便，如果想要爬取其它網站的信息，只需要修改其中某些參數和一些細節即可。