爬虫——爬虫中使用正则表达式

下面我们尝试爬取内涵段子网站：http://www.neihan8.com/article/list_5_1.html

打开之后，当你进行翻页的时候，不难注意到，url地址的变化：

• 第一页url: http: //www.neihan8.com/article/list_5_1 .html

• 第二页url: http: //www.neihan8.com/article/list_5_2 .html

• 第三页url: http: //www.neihan8.com/article/list_5_3 .html

• 第四页url: http: //www.neihan8.com/article/list_5_4 .html

这样，我们把url规律找到了，要想爬取所有的段子，只需要修改一个参数即可。下面，我们就开始一步一步将所有的段子爬取下来。

第一步：获取网页数据（网页上全部内容）

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duanzi_spider.py文件。

然后定义一个Spider类，并且添加一个加载页面的成员方法

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'

import requests

class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content.decode("gb18030")
        
        # 打印页面内容
        print(html)
        
        # 返回页面内容
        return html

2.写main函数测试loadPage()方法

if __name__ == '__main__':
    # 实例化类对象
    my_spider = Spider()
    # 让用户输入需爬取页面的页码
    page = int(input("请输入你需要爬取的页码："))
    # 拼接用户需爬取页面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    html = my_spider.loadPage(url)

第二步：筛选数据

我们已经得到了整个页面的数据。但是，里面有很多内容我们并不需要，所以下一步我们需要对上面爬取的内容进行筛选。如果筛选，这里就用到了我们前面讲到的正则表达式。

• 首先

import re

• 然后：在我们得到的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都有一个属性class="f18 mb20"

所以，我们只需要匹配到网页中所有<div class="f18 mb20">到</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="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
• 然后将这个正则应用到代码中，我们会得到以下代码：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'

import requests
import re

class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content

        return html.decode("gb18030")

    def screenPage(self, html):
        """
        筛选html内容，返回列表
        :param html:
        :return:
        """
        # <div class="f18 mb20">...</div>
        pattern = re.compile(r'<div class="f18 mb20">(.*?)</div>', re.S)
        item_list = pattern.findall(html)

        return item_list

if __name__ == '__main__':
    # 实例化类对象
    my_spider = Spider()
    # 让用户输入需爬取页面的页码
    page = int(input("请输入你需要爬取的页码："))
    # 拼接用户需爬取页面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    # 下载网页内容
    html = my_spider.loadPage(url)
    # 筛选数据
    item_list = my_spider.screenPage(html)

• 这里需要注意的是re.S是正则表达式中匹配的一个参数。
• 如果没有re.S，则是只匹配一行中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作为一个整体进行匹配，findall将所有匹配到的结果返回列表中。

第三步：保存数据

我们可以将所有的段子存放在文件中。

    def writePage(self, list):
        """
        以追加的形式存储筛选后的内容
        :param list: 筛选后的数据，列表形式
        :return:
        """
        with open(self.file_name, "a", encoding = "utf-8") as f:
            for content in list:
                # 段子内容：因为段子中有很多<p>，</p>，<br />。。。，还有一些转义字符。在这里作下替换
                content = content.replace("…", "…").replace("“", "“").replace("”", "”")
                content = content.replace("　", "").replace("	", "").replace(":", "：")
                content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
                content = content.replace("u3000", "").replace("

", "
")
                content = content.strip()

                # 写入一个段子的内容
                f.write(content)
                # 我是分割线
                f.write("*" * 30)

第四步：完整的程序

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'

import requests
import re

class Spider(object):
    """
    一个爬虫类
    """
    def __init__(self, start_page, end_page):
        """
        类的初始化函数
        :param start_page:
        :param end_page:
        :return:
        """
        self.start_page = start_page
        self.end_page = end_page
        self.file_name = "duanzi.txt"

    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content

        return html.decode("gb18030")

    def screenPage(self, html):
        """
        筛选html内容，返回列表
        :param html:
        :return:
        """
        # <div class="f18 mb20">...</div>
        pattern = re.compile(r'<div class="f18 mb20">(.*?)</div>', re.S)
        item_list = pattern.findall(html)

        return item_list

    def writePage(self, list):
        """
        以追加的形式存储筛选后的内容
        :param list: 筛选后的数据，列表形式
        :return:
        """
        with open(self.file_name, "a", encoding = "utf-8") as f:
            for content in list:
                # 段子内容：因为段子中有很多<p>，</p>，<br />。。。，还有一些转义字符。在这里作下替换
                content = content.replace("…", "…").replace("“", "“").replace("”", "”")
                content = content.replace("　", "").replace("	", "").replace(":", "：")
                content = content.replace("<p>", "").replace("</p>", "").replace("<br />", "").replace(" ", "")
                content = content.replace("u3000", "").replace("

", "
").replace("
", "
")
                content = content.strip()

                # 写入一个段子的内容
                f.write(content)
                # 我是分割线
                f.write("*" * 30)

    def run(self):
        """
        让爬虫开始工作
        :return:
        """
        # 循环处理我们需要爬取的页面
        for page in range(self.start_page, self.end_page + 1):
            # 拼接当前页码page的url地址
            url = "http://www.neihan8.com/article/list_5_{}.html".format(str(page))
            print("正在下载第{}页".format(str(page)))
            # 下载url对应的全部内容
            html = self.loadPage(url)
            # 筛选数据
            item_list = self.screenPage(html)
            # 存储筛选后的数据
            self.writePage(item_list)

# 主函数
if __name__ == '__main__':
    # 让用户输入需爬取页面的起始页码
    start_page = int(input("请输入您需要爬取的起始页："))
    # 让用户输入需爬取页面的终止页码
    end_page   = int(input("请输入您需要爬取的终止页："))
    # 实例化类对象
    mySpider = Spider(start_page, end_page)
    # 让爬虫开始工作
    mySpider.run()

最后，我们执行上面的代码，完成后查看当前路径下的duanzi.txt文件，里面已经有我们要的内涵段子。

以上便是一个非常精简的小爬虫程序，使用起来很方便，如果想要爬取其他网站的信息，只需要修改其中某些参数和一些细节就行了。