怎么在Python中使用正则表达式实现一个爬虫功能

这篇文章给大家介绍怎么在Python中使用正则表达式实现一个爬虫功能，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。

第一步：获取数据

1. 按照我们之前的用法，我们需要一个加载页面的方法。

这里我们统一定义一个类，将url请求作为一个成员方法处理。

我们创建了一个文件，叫duanzi_spider.py

然后定义一个Spider类，并且添加一个加载页面的成员方法。

importurllib2
classSpider:
"""
内涵段子爬虫类
"""
defloadPage(self,page):
"""
@brief定义一个url请求网页的方法
@parampage需要请求的第几页
@returns返回的页面url
"""
url="http://www.neihan8.com/article/list_5_"+str(page)+".html"
#user-Agent头
user_agent="Mozilla/5.0(compatible;MSIE9.0;WindowsNT6.1;Trident/5.0"
headers={"User-Agent":user_agent}
req=urllib2.Request(url,headers=headers)
response=urllib2.urlopen(req)
printhtml

以上的loadPage的实现思想想必大家都应该熟悉了，需要注意定义python类的成员方法需要额外添加一个参数self.

2.写main函数测试一个loadPage方法

if__name__=="__main__":
"""
=====================
内涵段子小爬虫
=====================
"""
print("请按下回车开始")
raw_input()

#定义一个Spider对象
mySpider=Spider()
mySpider.loadPage(1)

程序正常执行的话，我们会在皮姆上打印了内涵段子第一页的全部html代码。但是我们发现，html中的中文部分显示的可能是乱码。

那么我们需要简单的将得到的网页源代码处理一下：

defloadPage(self,page):
"""
@bridf定义一个url请求网页的方法
@parampage需要请求的第几页
@returns返回的页面html
"""
url="http://www.neihan8.com/article/list_5_"+str(page)+".html"
#user-agent头
user-agent="Mozilla/5.0(compatible;MSIE9.0;WindowsNT6.1;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")
returngbk_html

注意：对于每个网站对中文的编码各自不同，所以html.decode("gbk")的写法并不是通用的，根据网站的编码而异。

第二步：筛选数据

接下来我们已经得到了整个页面的数据。但是，很多内容我们并不关心，所以下一步我们需要筛选数据。如何筛选，就用到了上一节讲述的正则表达式

首先

importre

然后，我们得到的gbk_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"你会惊奇的发现，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标签都有一个属性class="f18 mb20"

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(具体可以看前面介绍)

然后这个正则应用到代码中，我们会得到以下代码：

defloadPage(self,page):
"""
@brief定义一个url请求网页的办法
@parampage需要请求的第几页
@returns返回的页面html
"""
url="http://www.neihan8.com/article/list_5_"+str(page)+".html"
#User-Agent头
user-agent="Mozilla/5.0(compatible;MSIE9.0;WindowsNT6.1;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")

#找到所有的段子内容<divclass="f18mb20"></div>
#re.S如果没有re.S,则是只匹配一行有没有符合规则的字符串，如果没有则匹配下一行重新匹配
#如果加上re.S,则是将所有的字符串按一个整体进行匹配
pattern=re.compile(r'<div.*?class="f18mb20">(.*?)</div>',re.S)
item_list=pattern.findall(gbk_html)
returnitem_list
defprintOnePage(self,item_list,page):
"""
@brief处理得到的段子列表
@paramitem_list得到的段子列表
@parampage处理第几页
"""
print("*********第%d页，爬取完毕...******"%page)
foriteminitem_list:
print("===============")
printite

这里需要注意一个是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按一个整体进行匹配，findall将匹配到的所有结果封装到一个list中。

• 如果我们写了一个遍历item_list的一个方法printOnePage()。ok程序写到这，我们再一次执行一下。

pythonduanzi_spider.py

我们第一页的全部段子，不包含其他信息全部的打印了出来.

• 你会发现段子中有很多<p>,</p>很是不舒服，实际上这个是html的一种段落的标签。

• 在浏览器上看不出来，但是如果按照文本打印会有<p>出现，那么我们只需要把我们的内容去掉即可。

• 我们可以如下简单修改一下printOnePage()

defprintOnePage(self,item_list,page):
"""
@brief处理得到的段子列表
@paramitem_list得到的段子列表
@parampage处理第几页
"""
print("******第%d页,爬取完毕*****"%page)
foriteminitem_list:
print("============")
item=item.replace("<p>","").replace("</p>","").replace("<br/>","")
printitem

第三步：保存数据

我们可以将所有的段子存放在文件中。比如，我们可以将得到的每个item不是打印出来，而是放在一个叫duanzi.txt的文件中也可以。

defwriteToFile(self,text):
"""
@brief将数据追加写进文件中
@paramtext文件内容
"""
myFile=open("./duanzi.txt","a")#a追加形式打开文件
myFile.write(text)
myFile.write("-------------------------")
myFile.close()

然后我们将所有的print的语句改写成writeToFile(), 当前页面的所有段子就存在了本地的duanzi.txt文件中。

defprintOnePage(self,item_list,page):
"""
@brief处理得到的段子列表
@paramitem_list得到的段子列表
@parampage处理第几页
"""
print("***第%d页，爬取完毕****"%page)
foriteminitem_list:
item=item.replace("<p>","").replace("</p>","").replace("<br/>"."")

self.writeToFile(item)

第四步：显示数据

接下来我们就通过参数的传递对page进行叠加来遍历内涵段子吧的全部段子内容。

只需要在外层加上一些逻辑处理即可。

defdoWork(self):
"""
让爬虫开始工作
"""
whileself.enable:
try:
item_list=self.loadPage(self.page)
excepturllib2.URLError,e:
printe.reason
continue

#将得到的段子item_list处理
self.printOnePage(item_list,self.page)
self.page+=1
print"按回车继续...."
print"输入quit退出"

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

关于怎么在Python中使用正则表达式实现一个爬虫功能就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。