自学Python七 爬虫实战一

　　此文承接上文，让我们写一个简简单单的爬虫，循序而渐进不是吗？此次进行的练习是爬取前5页什么值得买网站中的白菜价包邮信息。包括名称，价格，推荐人，时间。

　　我们所需要做的工作：1.确定URL并获得页面代码。 2.用正则匹配每件商品我们所需要的内容 3.打印信息  我还是直接上代码吧，具体步骤看注释就好啦！（代码会引用HttpClient.py，可以参考之前的SmartQQ协议一文）！

# -*- 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" 

    #正则得到每页商品信息
    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("正在读取前五页白菜价包邮，请稍等...")
        for i in range(1,6):
            print i
            self.__getAllGoods(i)

pc = Smzdm()
pc.start()

　　执行结果如下：

　　是不是感觉，代码怎么这么少，这就搞定了？YES!

　　稍微解释一下思路，一般类似于这种网站都是页面+页号构成url。所以定义一个基础url，根据传入的页号构造一个真实的url。通过urllib2模块访问页面得到页面代码，通过构造正则pattern，调用re.findall()函数找到当前页面所有的信息，然后打印出来。一个功能智障，代码简单的爬虫就造好了，easy的会了default的当然就水到渠成了，接下来你可以去试试糗事百科的段子，百度贴吧的帖子，网易新闻的留言等等！另外，我的环境为2.7.10，python3以下需要注意编码问题，到处都是坑！