之前的文章我们介绍了一下 Python 中的正则表达式和与爬虫正则相关的 re 模块，本章我们就利用正则表达式和 re 模块来做一个案例，爬取《糗事百科》的糗事并存储到本地。
我们要爬取的网站链接是 https://www.qiushibaike.com/text/page/1/ 。
我们要爬取的是里面的糗事，在之前的文章中我们已经可以爬取整个 url 链接里的 html 内容，那么我们就可以根据爬取到的 html 代码，再通过 re 模块匹配我们想要的内容即可。
我们通过调用开发者工具检查 HTML 元素发现我们想要的内容在 <div class="content"> ...... </div> 内，根据这个我们可以写出代码如下：
1 import urllib.request 2 import re 3 import ssl 4 5 # 取消代理验证 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 url = "https://www.qiushibaike.com/text/page/1/" 9 # User-Agent头 10 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36' 11 headers = {'User-Agent': user_agent} 12 req = urllib.request.Request(url, headers=headers) 13 response = urllib.request.urlopen(req) 14 # 获取每页的HTML源码字符串 15 html = response.read().decode('utf-8') 16 # 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容 17 # 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，如果没有则下一行重新匹配 18 # 如果加上re.S 则是将所有的字符串将一个整体进行匹配 19 pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S) 20 # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表 21 content_list = pattern.findall(html) 22 # 调用dealPage() 处理糗事里的杂七杂八 23 print(content_list)
最终我们打印结果如下：
从上面的打印结果可以看出我们已经拿到了我们想要的数据，并且存储在了一个列表里，那么接下来我们只需要再处理一下列表，叫列表内杂七杂八的内容，如上图中的 <span>标签等去掉，就是我们想要的内容了。
1 for item in item_list: 2 item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace(" ", "") 3 print(item) 4 self.writePage(item)
上面的代码中 item_list 即为我们上面所获取到的 content_list 列表，通过对列表的内容分析，我们发现有 <span> ，<span class="contentForAll">查看全文，</span>，<br/>， 等多余内容，我们通过 replace 方法将其转为空，剩下的就是我们想要的内容了，接下来就是存储到本地即可了。
上面就可以实现一个获取 糗事百科 的糗事的简单爬虫，但是只能爬取单个页面的内容，通过分析 url 我们发现 https://www.qiushibaike.com/text/page/1/ 中最后的 1 即为页码，我们就可以根据这个页码逐一爬取更多页面的内容，最终的代码如下：
1 import urllib.request 2 import re 3 import ssl 4 5 # 取消代理验证 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 9 class Spider: 10 def __init__(self): 11 # 初始化起始页位置 12 self.page = 1 13 # 爬取开关，如果为True继续爬取 14 self.switch = True 15 16 def loadPage(self): 17 """ 18 作用：打开页面 19 """ 20 url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/" 21 # User-Agent头 22 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36' 23 headers = {'User-Agent': user_agent} 24 req = urllib.request.Request(url, headers=headers) 25 response = urllib.request.urlopen(req) 26 # 获取每页的HTML源码字符串 27 html = response.read().decode('utf-8') 28 # 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容 29 # 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，如果没有则下一行重新匹配 30 # 如果加上re.S 则是将所有的字符串将一个整体进行匹配 31 pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S) 32 # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表 33 content_list = pattern.findall(html) 34 # 调用dealPage() 处理糗事里的杂七杂八 35 self.dealPage(content_list) 36 37 def dealPage(self, item_list): 38 """ 39 @brief 处理得到的糗事列表 40 @param item_list 得到的糗事列表 41 @param page 处理第几页 42 """ 43 for item in item_list: 44 item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace(" ", "") 45 self.writePage(item) 46 47 def writePage(self, text): 48 """ 49 @brief 将数据追加写进文件中 50 @param text 文件内容 51 """ 52 myFile = open("./duanzi.txt", 'a') # 追加形式打开文件 53 myFile.write(text + " ") 54 myFile.close() 55 56 def startWork(self): 57 """ 58 控制爬虫运行 59 """ 60 # 循环执行，直到 self.switch == False 61 while self.switch: 62 # 用户确定爬取的次数 63 self.loadPage() 64 command = input("如果继续爬取，请按回车（退出输入quit)") 65 if command == "quit": 66 # 如果停止爬取，则输入 quit 67 self.switch = False 68 # 每次循环，page页码自增1 69 self.page += 1 70 print("爬取结束！") 71 72 73 if __name__ == '__main__': 74 # 定义一个Spider对象 75 qiushiSpider = Spider() 76 qiushiSpider.startWork()
最终会在本地添加一个 qiushi.txt 的文件，结果如下：
