現(xiàn)在擁有了正則表達(dá)式這把神兵利器，我們就可以進(jìn)行對(duì)爬取到的全部網(wǎng)頁(yè)源代碼進(jìn)行篩選了。
下面我們一起嘗試一下爬取內(nèi)涵段子網(wǎng)站： http://www.neihan8.com/article/list_5_1.html
打開(kāi)之后，不難看到里面一個(gè)一個(gè)灰常有內(nèi)涵的段子，當(dāng)你進(jìn)行翻頁(yè)的時(shí)候，注意url地址的變化：
第一頁(yè)url: http: //www.neihan8.com/article/list_5_1 .html
第二頁(yè)url: http: //www.neihan8.com/article/list_5_2 .html
第三頁(yè)url: http: //www.neihan8.com/article/list_5_3 .html
第四頁(yè)url: http: //www.neihan8.com/article/list_5_4 .html
這樣我們的url規(guī)律找到了，要想爬取所有的段子，只需要修改一個(gè)參數(shù)即可。 下面我們就開(kāi)始一步一步將所有的段子爬取下來(lái)吧。
第一步，獲取數(shù)據(jù)
1. 按照我們之前的用法，我們需要寫(xiě)一個(gè)加載頁(yè)面的方法。
這里我們統(tǒng)一定義一個(gè)類(lèi)，將url請(qǐng)求作為一個(gè)成員方法處理。
我們創(chuàng)建一個(gè)文件，叫duanzi_spider.py
然后定義一個(gè)Spider類(lèi)，并且添加一個(gè)加載頁(yè)面的成員方法
import urllib2
class Spider:
"""
內(nèi)涵段子爬蟲(chóng)類(lèi)
"""
def loadPage(self, page):
"""
@brief 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的方法
@param page 需要請(qǐng)求的第幾頁(yè)
@returns 返回的頁(yè)面html
"""
url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
#User-Agent頭
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的實(shí)現(xiàn)體想必大家應(yīng)該很熟悉了，需要注意定義python類(lèi)的成員方法需要額外添加一個(gè)參數(shù)self。
那么loadPage(self, page) 中的page是我們指定去請(qǐng)求第幾頁(yè)。
最后通過(guò) print html打印到屏幕上。
然后我們寫(xiě)一個(gè)main函數(shù)見(jiàn)到測(cè)試一個(gè)loadPage方法
2. 寫(xiě)main函數(shù)測(cè)試一個(gè)loadPage方法
#
if __name__ == '__main__':
"""
======================
內(nèi)涵段子小爬蟲(chóng)
======================
"""
print '請(qǐng)按下回車(chē)開(kāi)始'
raw_input()
#定義一個(gè)Spider對(duì)象
mySpider = Spider()
mySpider.loadpage(1)
- 程序正常執(zhí)行的話，我們會(huì)在屏幕上打印了內(nèi)涵段子第一頁(yè)的全部html代碼。 但是我們發(fā)現(xiàn)，html中的中文部分顯示的可能是亂碼 。
那么我們需要簡(jiǎn)單的將得到的網(wǎng)頁(yè)源代碼處理一下：
def loadPage(self, page):
"""
@brief 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的方法
@param page 需要請(qǐng)求的第幾頁(yè)
@returns 返回的頁(yè)面html
"""
url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
#User-Agent頭
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 ：對(duì)于每個(gè)網(wǎng)站對(duì)中文的編碼各自不同，所以html.decode(‘gbk’)的寫(xiě)法并不是通用寫(xiě)法，根據(jù)網(wǎng)站的編碼而異
-
這樣我們?cè)俅螆?zhí)行以下duanzi_spider.py ，會(huì)發(fā)現(xiàn)之前的中文亂碼可以正常顯示了。
image.png
第二步：篩選數(shù)據(jù)
接下來(lái)我們已經(jīng)得到了整個(gè)頁(yè)面的數(shù)據(jù)。 但是，很多內(nèi)容我們并不關(guān)心，所以下一步我們需要進(jìn)行篩選。 如何篩選，就用到了上一節(jié)講述的正則表達(dá)式。
import re
- 然后, 在我們得到的gbk_html中進(jìn)行篩選匹配。
我們需要一個(gè)匹配規(guī)則:
我們可以打開(kāi)內(nèi)涵段子的網(wǎng)頁(yè)，鼠標(biāo)點(diǎn)擊右鍵 “ 查看源代碼 ” 你會(huì)驚奇的發(fā)現(xiàn)，我們需要的每個(gè)段子的內(nèi)容都是在一個(gè) <div>標(biāo)簽中，而且每個(gè)div都有一個(gè)屬性class = "f18 mb20"
所以，我們只需要匹配到網(wǎng)頁(yè)中所有<div class="f18 mb20"> 到 </div> 的數(shù)據(jù)就可以了。
根據(jù)正則表達(dá)式，我們可以推算出一個(gè)公式是:
<div.*?class="f18 mb20">(.*?)</div>
這個(gè)表達(dá)式實(shí)際上就是匹配到所有div中class="f18 mb20 里面的內(nèi)容(具體可以看前面正則介紹)
-
然后將這個(gè)正則應(yīng)用到代碼中，我們會(huì)得到以下代碼：
def loadPage(self, page): """ @brief 定義一個(gè)url請(qǐng)求網(wǎng)頁(yè)的方法 @param page 需要請(qǐng)求的第幾頁(yè) @returns 返回的頁(yè)面html """ url = "http://www.neihan8.com/article/list_5_" + str(page) + ".html" #User-Agent頭 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') #找到所有的段子內(nèi)容<div class = "f18 mb20"></div> #re.S 如果沒(méi)有re.S 則是只匹配一行有沒(méi)有符合規(guī)則的字符串，如果沒(méi)有則下一行重新匹配 # 如果加上re.S 則是將所有的字符串將一個(gè)整體進(jìn)行匹配 pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</di v>', re.S) item_list = pattern.findall(gbk_html) return item_list def printOnePage(self, item_list, page): """ @brief 處理得到的段子列表 @param item_list 得到的段子列表 @param page 處理第幾頁(yè) """ print "******* 第 %d 頁(yè) 爬取完畢...*******" %page for item in item_list: print "================" print item 這里需要注意一個(gè)是re.S是正則表達(dá)式中匹配的一個(gè)參數(shù)。
如果 沒(méi)有re.S 則是 只匹配一行 有沒(méi)有符合規(guī)則的字符串，如果沒(méi)有則下一行重新匹配。
如果 加上re.S 則是將 所有的字符串 將一個(gè)整體進(jìn)行匹配，findall 將所有匹配到的結(jié)果封裝到一個(gè)list中。
-
然后我們寫(xiě)了一個(gè)遍歷item_list的一個(gè)方法 printOnePage() 。 ok程序?qū)懙竭@，我們?cè)僖淮螆?zhí)行一下。
python duanzi_spider.py
我們第一頁(yè)的全部段子，不包含其他信息全部的打印了出來(lái)。
你會(huì)發(fā)現(xiàn)段子中有很多 <p> , </p> 很是不舒服，實(shí)際上這個(gè)是html的一種段落的標(biāo)簽。
在瀏覽器上看不出來(lái)，但是如果按照文本打印會(huì)有<p>出現(xiàn)，那么我們只需要把我們不希望的內(nèi)容去掉即可了。
-
我們可以如下簡(jiǎn)單修改一下 printOnePage().
def printOnePage(self, item_list, page): """ @brief 處理得到的段子列表 @param item_list 得到的段子列表 @param page 處理第幾頁(yè) """ print "******* 第 %d 頁(yè) 爬取完畢...*******" %page for item in item_list: print "================" item = item.replace("<p>", "").replace("</p>", "").repl ace("<br />", "") print item
第三步：保存數(shù)據(jù)
-
我們可以將所有的段子存放在文件中。比如，我們可以將得到的每個(gè)item不是打印出來(lái)，而是存放在一個(gè)叫 duanzi.txt 的文件中也可以。
def writeToFile(self, text): ''' @brief 將數(shù)據(jù)追加寫(xiě)進(jìn)文件中 @param text 文件內(nèi)容 ''' myFile = open("./duanzi.txt", 'a') #追加形式打開(kāi)文件 myFile.write(text) myFile.write("--------------------------------------------- --------") myFile.close() -
然后我們將print的語(yǔ)句 改成writeToFile() ，當(dāng)前頁(yè)面的所有段子就存在了本地的MyStory.txt文件中。
def printOnePage(self, item_list, page): ''' @brief 處理得到的段子列表 @param item_list 得到的段子列表 @param page 處理第幾頁(yè) ''' print "******* 第 %d 頁(yè) 爬取完畢...*******" %page for item in item_list: # print "================" item = item.replace("<p>", "").replace("</p>", "").repl ace("<br />", "") # print item self.writeToFile(item)
第四步：顯示數(shù)據(jù)
接下來(lái)我們就通過(guò)參數(shù)的傳遞對(duì)page進(jìn)行疊加來(lái)遍歷 內(nèi)涵段子吧的全部段子內(nèi)容。
-
只需要在外層加一些邏輯處理即可。
def doWork(self): ''' 讓爬蟲(chóng)開(kāi)始工作 ''' while self.enable: try: item_list = self.loadPage(self.page) except urllib2.URLError, e: print e.reason continue #對(duì)得到的段子item_list處理 self.printOnePage(item_list, self.page) self.page += 1 #此頁(yè)處理完畢，處理下一頁(yè) print "按回車(chē)?yán)^續(xù)..." print "輸入 quit 退出" command = raw_input() if (command == "quit"): self.enable = False break 最后，我們執(zhí)行我們的代碼，完成后查看當(dāng)前路徑下的duanzi.txt文件，里面已經(jīng)有了我們要的內(nèi)涵段子。
