使?正則運算式的python爬?，爬取內涵段??站

現在擁有了正則運算式這把神兵利器，我們就可以進?對爬取到的全部??源代碼進?篩選了，
下?我們?起嘗試?下爬取內涵段??站：
http://www.neihan8.com/article/list_5_1.html
打開之后，不難看到???個?個灰常有內涵的段?，當你進?翻?的時候，注意 url 地址的變化：
第??url: http: //www.neihan8.com/article/list_5_1 .html
第??url: http: //www.neihan8.com/article/list_5_2 .html
第三?url: http: //www.neihan8.com/article/list_5_3 .html
第四?url: http: //www.neihan8.com/article/list_5_4 .html

這樣我們的 url 規律找到了，要想爬取所有的段?，只需要修改?個引數即可， 下?我們就開始?步?步將所有的段?爬取下來吧，

第?步：獲取資料

1、按照我們之前的?法，我們需要寫?個加載??的?法，

• 這?我們統?定義?個類，將 url 請求作為?個成員?法處理
• 我們創建?個?件，叫 duanzi_spider.py
• 然后定義?個 Spider 類，并且添加?個加載??的成員?法

import urllib2
class Spider:
"""
"""
內涵段?爬?類
def loadPage(self, page):
"""
"""
@brief 定義?個 url 請求??的?法
@param page 需要請求的第??
@returns 回傳的??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 的實作體想必?家應該很熟悉了，需要注意定義 python類 的成員?法需要額外添加?個引數 self .

• 那么 loadPage(self, page) 中的 page 是我們指定去請求第??
• 最后通過 print html 列印到螢屏上
• 然后我們寫?個 main 函式?到測驗?個 loadPage?法

2、寫 main 函式測驗?個 loadPage?法

if name
"""
== ' main ':
"""
======================
內涵段??爬?
======================
print '請按下回?開始'
raw_input()
#定義?個 Spider 物件
mySpider = Spider()
mySpider.loadpage(1)

程式正常執?的話，我們會在螢屏上列印了內涵段?第??的全部 html代碼， 但是我們發現，html 中的中?部分顯示的可能是亂碼 ，

那么我們需要簡單的將得到的??源代碼處理?下，

def loadPage(self, page):
"""
"""
@brief 定義?個 url 請求??的?法
@param page 需要請求的第??
@returns 回傳的??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 ：對于每個?站對中?的編碼各?不同，所以 html.decode(‘gbk’) 的寫法并不是通?寫法，根據?站的編碼?異，

這樣我們再次執?以下 duanzi_spider.py ，會發現之前的中?亂碼可以正常顯示了，

第?步：篩選資料

接下來我們已經得到了整個??的資料， 但是，很多內容我們并不關?，所以下?步我們需要進?篩選， 如何篩選，就?到了上?節講述 的正則運算式，

?先，
import re
然后, 在我們得到的 gbk_html 中進?篩選匹配，

我們需要?個匹配規則:
我們可以打開內涵段?的??，?標點擊右鍵 “ 查看源代碼 ” 你會驚奇的發現，我們需要的每個段?的內容都是在?個

所以，我們只需要匹配到??中所有 <div > 到</div> 的資料就可以了，

根據正則運算式，我們可以推算出?個公式是:
<div.?>(.?)</div>

這個運算式實際上就是匹配到所有 div 中 filtered" />然后將這個正則應?到代碼中，我們會得到以下代碼：

def loadPage(self, page):
"""
"""
@brief 定義?個 url 請求??的?法
@param page 需要請求的第??
@returns 回傳的??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?內容<div class = "f18 mb20"></div>
#re.S 如果沒有 re.S 則是只匹配??有沒有符合規則的字串，如果沒有則 下
??重新匹配
# 如果加上 re.S 則是將所有的字串將?個整體進?匹配
pattern = re.compile(r'<div.*?>(.*?)</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?串列
@param item_list 得到的段?串列
@param page 處理第??
"""
print "******* 第 %d ? 爬取完畢...*******" %page
for item in item_list:
print "================"
print ite

這?需要注意?個是 re.S 是正則運算式中匹配的?個引數，
如果 沒有 re.S 則是 只匹配?? 有沒有符合規則的字串，如果沒有則下??重新匹配，
如果 加上 re.S 則是將 所有的字串 將?個整體進?匹配，findall將所有匹配到的結果封裝到?個 list 中，然后我們寫了?個遍歷 item_list 的?個?法 printOnePage() ， ok 程式寫到這，我們再?次執??下，

Power@PowerMac ~$ python duanzi_spider.py

我們第??的全部段?，不包含其他資訊全部的列印了出來，
你會發現段?中有很多 <p> , </p> 很是不舒服，實際上這個是 html 的?種段落的標簽，
在瀏覽器上看不出來，但是如果按照?本列印會有 <p> 出現，那么我們只需要把我們不希望的內容去掉即可了，
我們可以如下簡單修改?下 printOnePage().

def printOnePage(self, item_list, page):
"""
"""
@brief 處理得到的段?串列
@param item_list 得到的段?串列
@param page 處理第??
print "******* 第 %d ? 爬取完畢...*******" %page
for item in item_list:
print "================"
item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
print item

后面還有保存和顯示資料，如果需要專案完整資料和全套爬蟲視頻教程，請點此處，

標籤：Python

上一篇：干活的累死累活，到頭來干不過寫PPT的，那就讓我們做好PPT

下一篇：使?正則運算式的python爬?，爬取內涵段??站