案例:使用正则表达式的爬虫

用正则表达式进行对爬取到的全部网页源代码进行筛选。

网站: https://www.cnblogs.com/loaderman/default.html?page=1

打开之后,不难看到里面一个一个灰常有内涵的段子,当你进行翻页的时候,注意url地址的变化:

  • 第一页url: https://www.cnblogs.com/loaderman/default.html?page=1

  • 第二页url: https://www.cnblogs.com/loaderman/default.html?page=2

  • 第三页url: https://www.cnblogs.com/loaderman/default.html?page=3

  • 第四页url: https://www.cnblogs.com/loaderman/default.html?page=4

这样我们的url规律找到了,要想爬取所有,只需要修改一个参数即可。 下面我们就开始一步一步将数据爬取下来。


第一步:获取数据

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。

我们创建一个文件,叫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

import urllib2

class Spider:
    """
        爬虫类
    """
    def loadPage(self, page):
        """
            @brief 定义一个url请求网页的方法
            @param page 需要请求的第几页
            @returns 返回的页面html
        """

    url = "https://www.cnblogs.com/loaderman/default.html?page=" + str(page)
    #User-Agent头
    user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0'

    headers = {'User-Agent': user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    html = response.read()
    print html

    #return html

 

以上的loadPage的实现体想必大家应该很熟悉了,需要注意定义python类的成员方法需要额外添加一个参数self.

  • 那么loadPage(self, page) 中的page是我们指定去请求第几页。

  • 最后通过 print html打印到屏幕上。

  • 然后我们写一个main函数见到测试一个loadPage方法

2. 写main函数测试一个loadPage方法
if __name__ == '__main__':
    
    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,我们会在屏幕上打印了第一页的全部html代码。 如果html中的中文部分显示的可能是乱码 。

则需要简单的将得到的网页源代码处理一下:

def loadPage(self, page):
    """
        @brief 定义一个url请求网页的方法
        @param page 需要请求的第几页
        @returns 返回的页面html
    """

    url = "https://www.cnblogs.com/loaderman/default.html?page=" + str(page)
    #User-Agent头
    user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; 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')
    # print gbk_html
    return gbk_html

 

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

  • 这样我们再次执行以下mySpider.py ,会发现之前的中文乱码可以正常显示了。

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进行筛选。 如何筛选,就用到了上一节讲述的正则表达式。

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

下一步匹配规则:

打开网页,鼠标点击右键 “ 查看源代码 ” 需要的每个的内容i 描述都是在一个 <div>标签中,而且每个div都有一个属性class = "c_b_p_desc"

 

所以,我们只需要匹配到网页中所有<div class="c_b_p_desc"></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="c_b_p_desc">(.*?)<a
  • 这个表达式实际上就是匹配到所有divclass="c_b_p_desc 里面的内容(具体可以看正则)

  • 然后将这个正则应用到代码中,我们会得到以下代码:

        def loadPage(self):
            """
                作用:下载页面
            """
            print "正在下载数据...."
            url = "https://www.cnblogs.com/loaderman/default.html?page=" + str(self.page)
            headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
            request = urllib2.Request(url, headers = headers)
            response = urllib2.urlopen(request)
    
            # 获取每页的HTML源码字符串
            html = response.read()
            #print html
            # 创建正则表达式规则对象,匹配每页里的内容,re.S 表示匹配全部字符串内容
            pattern = re.compile('<div\sclass="c_b_p_desc">(.*?)<a', re.S)
    
            # 将正则匹配对象应用到html源码字符串里,返回
            content_list = pattern.findall(html)
    
            # 调用dealPage() 处理数据里的杂七杂八
            self.dealPage(content_list)
    
        def dealPage(self, content_list):
            """
                处理每页
    
            """
            for item in content_list:
                # 将集合里的每个数据按个处理,替换掉无用数据
                # item = item.replace("<p>","").replace("</p>", "").replace("<br>", "")
                #print item.decode("gbk")
                # 处理完后调用writePage() 将写入文件内
                self.writePage(item)

     

 

  • 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 将一个整体进行匹配,findall 将所有匹配到的结果封装到一个list中。
  • 然后我们写了一个遍历item_list的一个方法 printOnePage()
对于获取的数据可以再次将无用的数据过滤掉,得到我们想要的数据即可

 


第三步:保存数据

  • 将数据存放在文件中。
    def writePage(self, item):
        """
            item: 处理后的每条
        """
        # 写入文件内
        print "正在写入数据...."
        with open("loadermanRe.txt", "a") as f:
            f.write(item)

第四步:显示数据

  • 通过参数的传递对page进行叠加来遍历全部内容。

  • 只需要在外层加一些逻辑处理即可。

        def startWork(self):
            """
                控制爬虫运行
            """
            # 循环执行,直到 self.switch == False
            while self.switch:
                # 用户确定爬取的次数
                self.loadPage()
                command = raw_input("如果继续爬取,请按回车(退出输入quit)")
                if command == "quit":
                    # 如果停止爬取,则输入 quit
                    self.switch = False
                # 每次循环,page页码自增1
                self.page += 1
            print "谢谢使用!"

     

 

  • 最后,完成后查看当前路径下的loadermanRe.txt文件,里面已经有了我们要的数据。

简单的小爬虫已实现!!!

程序整体代码:

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import urllib2
import re


class Spider:
    def __init__(self):
        # 初始化起始页位置
        self.page = 1
        # 爬取开关,如果为True继续爬取
        self.switch = True

    def loadPage(self):
        """
            作用:下载页面
        """
        print "正在下载数据...."
        url = "https://www.cnblogs.com/loaderman/default.html?page=" + str(self.page)
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
        request = urllib2.Request(url, headers=headers)
        response = urllib2.urlopen(request)

        # 获取每页的HTML源码字符串
        html = response.read()
        # print html
        # 创建正则表达式规则对象,匹配每页里的内容,re.S 表示匹配全部字符串内容
        pattern = re.compile('<div\sclass="c_b_p_desc">(.*?)<a', re.S)

        # 将正则匹配对象应用到html源码字符串里,返回
        content_list = pattern.findall(html)

        # 调用dealPage() 处理数据里的杂七杂八
        self.dealPage(content_list)

    def dealPage(self, content_list):
        """
            处理每页的数据

        """
        for item in content_list:
            # 将集合里按个处理,替换掉无用数据
            # item = item.replace("<p>","").replace("</p>", "").replace("<br>", "")
            # print item.decode("gbk")
            # 处理完后调用writePage() 将写入文件内
            self.writePage(item)

    def writePage(self, item):
        """
            item: 处理后的每条
        """
        # 写入文件内
        print "正在写入数据...."
        with open("loadermanRe.txt", "a") as f:
            f.write(item)

    def startWork(self):
        """
            控制爬虫运行
        """
        # 循环执行,直到 self.switch == False
        while self.switch:
            # 用户确定爬取的次数
            self.loadPage()
            command = raw_input("如果继续爬取,请按回车(退出输入quit)")
            if command == "quit":
                # 如果停止爬取,则输入 quit
                self.switch = False
            # 每次循环,page页码自增1
            self.page += 1
        print "谢谢使用!"


if __name__ == "__main__":
    spider = Spider()
    #    spider.loadPage()
    spider.startWork()

效果:

 

posted on 2019-11-21 20:03  LoaderMan  阅读(1368)  评论(0编辑  收藏  举报

导航