正則表達式的使用

想要學(xué)習(xí) Python 爬蟲 ， 首先需要了解一下正則表達式的使用，下面我們就來看看如何使用。

• . 的使用這個時候的點就相當(dāng)于一個占位符，可以匹配任意一個字符，什么意思呢？看個例子就知道

    import re 
    content = "helloworld" 
    b = re.findall('w.',content) 
    print b`
  

注意了，我們首先導(dǎo)入了 re，這個時候大家猜一下輸出結(jié)果是什么？因為 . 相當(dāng)于一個占位符，所以理所當(dāng)然的這個時候的輸出結(jié)果是 wo 。

• * 的使用跟上面的 . 不同，* 可以匹配前一個字符任意次數(shù)，看個例子

  content = "helloworldhelloworld" 
  b = re.findall('w*',content) 
  print b
  

這個時候的輸出結(jié)果是 ['', '', '', '', '', 'w', '', '', '', '', '', '', '', '', '', 'w', '', '', '', '', '']，可見是一個列表，長度和匹配的字符串一致，遇到要匹配的字符就打印出來。

• .* 的使用.* 是一種組合使用，它可以盡可能多的匹配內(nèi)容，比如下面這個例子
  content = "helloworldhelloworldworld"
  b = re.findall('he.*ld',content)
  print b
  它會輸出 ['helloworldhelloworldworld']，它為什么不只打印一個 helloworld，為什么全部打印下來了？這就是一種貪心算法，也就是說我要找到最長的那個符合條件的內(nèi)容。

• .*? 的使用與 上面相反，這個符號會找到盡可能短的符合條件的內(nèi)容，然后放到一個列表中去，如下所示
  content = 'xxhelloworldxxxxhelloworldxx'
  b = re.findall('xx.*?xx',content)
  print b
  輸出的結(jié)果為 ['xxhelloworldxx', 'xxhelloworldxx']，可見，有個 xx 在前面好煩，怎么才能去掉呢？很簡單，加個括號即可，括號加在哪？

  content = 'xxhelloworldxxxxhelloworldxx' 
  b = re.findall('xx(.*?)xx',content) 
  print b
  

  以上我們討論的都是內(nèi)容不包含換行符的情況，如果有了換行符結(jié)果又會發(fā)生什么變化呢？

  content = '''xxhelloworld xx''' 
  b = re.findall('xx(.*?)xx',content) 
  print b
  

  這個時候的輸出結(jié)果為一個空列表，那怎么辦??？如果我們寫網(wǎng)絡(luò)爬蟲的時候，網(wǎng)頁源代碼肯定不止是一行啊，如果換一行我們就讀不出來了，那就好尷尬了，當(dāng)然有解決辦法~

  content = '''xxhelloworld xx''' 
  b = re.findall('xx(.*?)xx',content,re.S) 
  print b
  

  這樣就可以了，還有一個非常方便的提取數(shù)字的技巧，如下所示

  content = '''xx123456 xx''' 
  b = re.findall('(\d+)',content,re.S) 
  print b
  

在網(wǎng)頁源代碼中爬取圖片鏈接并下載

這篇文章中只是網(wǎng)絡(luò)爬蟲的第一步，所以講解的也比較淺，所以現(xiàn)在我們先來利用正則表達式實現(xiàn)一個手動的網(wǎng)絡(luò)爬蟲，什么是手動的呢？就是我們自己把網(wǎng)頁源代碼復(fù)制下來，保存在一個 txt 文件中，然后利用正則表達式去過濾信息，然后去下載。

首先我搜索了一下 Linux 桌面，然后找到了如下一個網(wǎng)頁

Paste_Image.png

右擊查看網(wǎng)絡(luò)源代碼，按 ctrl+f 搜索 img src 找到中間一部分進行復(fù)制，并且粘貼到一個 txt 文件中去，

Paste_Image.png

然后就可以利用我們上述的知識去提取我們想要的信息，源代碼如下

  import re import requests  
  f = open('source.txt', 'r') 
  html = f.read() 
  f.close()  
  pattern = '<img src="(.*?)"' 
  pic_url = re.findall(pattern, html, re.S)
  i = 0 
  for each in pic_url: 
      print 'Downloading :' + each 
      pic = requests.get(each) 
      fp = open('picture\\' + str(i) + '.jpg', 'wb') 
      fp.write(pic.content) 
      fp.close() 
      i = i + 1

首先打開我們保存網(wǎng)絡(luò)源代碼的 txt文件，進行讀取，關(guān)閉文件流，然后就是利用正則表達式提取圖片鏈接，最后利用requests 中的 get() 方法進行圖片下載，注意這個 requests 不是Python 中自帶的，我們需要下載指定的文件，然后將其放入到 Python 的Lib 目錄下，此處下載，進入網(wǎng)站后，按ctrl+f 搜索關(guān)鍵詞 requests 就可以看到如下頁面

這里寫圖片描述

好了介紹完了，我們?nèi)タ聪逻\行結(jié)果

  C:\Python27\python.exe E:/PythonCode/20160820/Spider.py
  Downloading:http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112732422680200576.JPG
  Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112640070563900918.JPG
  Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112547718465744154.JPG
  Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112455366330382227.JPG
  Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112363014254719641.JPG
  Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112270662197888742.JPG
  Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112178310031994750.JPG
  Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112085957910403853.JPG

  Process finished with exit code 0

這個時候就下載成功了，到我們的 picture 目錄下去查看下載的圖片

這里寫圖片描述