现在拥有了正则表达式这把神兵利器,我们就可以进行对爬取到的全部网页源代码进行筛选了。
下面我们一起尝试一下爬取内涵段子网站:
http://www.neihan8.com/article/list_5_1.html
打开之后,不难看出里面一个一个非常有内涵的段子,当你进行翻页的时候,注意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
这样我们的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。
我们就开始一步一步将所有的段子爬取下来吧。
第一步:获取数据
1. 按照我们之前的用法,我们需要一个加载页面的方法。
这里我们统一定义一个类,将url请求作为一个成员方法处理。
我们创建了一个文件,叫duanzi_spider.py
然后定义一个Spider类,并且添加一个加载页面的成员方法。
import urllib2 class Spider: """ 内涵段子爬虫类 """ def loadPage(self, page): """ @brief 定义一个url请求网页的方法 @param page需要请求的第几页 @returns 返回的页面url """ url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html" #user-Agent头 user_agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0" headers = {"User-Agent":user_agent} req = urllib2.Request(url, headers = headers) response = urllib2.urlopen(req) print html
以上的loadPage的实现思想想必大家都应该熟悉了,需要注意定义python类的成员方法需要额外添加一个参数self.
2.写main函数测试一个loadPage方法
if __name__ == "__main__": """ ===================== 内涵段子小爬虫 ===================== """ print("请按下回车开始") raw_input() #定义一个Spider对象 mySpider = Spider() mySpider.loadPage(1)
程序正常执行的话,我们会在皮姆上打印了内涵段子第一页的全部html代码。但是我们发现,html中的中文部分显示的可能是乱码。
那么我们需要简单的将得到的网页源代码处理一下:
def loadPage(self, page): """ @bridf 定义一个url请求网页的方法 @param page 需要请求的第几页 @returns 返回的页面html """ url = "http://www.neihan8.com/article/list_5_"+str(page)+".html" #user-agent头 user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; 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") return gbk_html
注意:对于每个网站对中文的编码各自不同,所以html.decode("gbk")的写法并不是通用的,根据网站的编码而异。
第二步:筛选数据
接下来我们已经得到了整个页面的数据。但是,很多内容我们并不关心,所以下一步我们需要筛选数据。如何筛选,就用到了上一节讲述的正则表达式
首先
import re
然后,我们得到的gbk_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"你会惊奇的发现,我们需要的每个段子的内容都是在一个
根据正则表达式,我们可以推算出一个公式是:
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(具体可以看前面介绍)
然后这个正则应用到代码中,我们会得到以下代码:
def loadPage(self, page): """ @brief 定义一个url请求网页的办法 @param page 需要请求的第几页 @returns 返回的页面html """ url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html" #User-Agent头 user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; 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") #找到所有的段子内容 #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,如果没有则匹配下一行重新匹配 #如果加上re.S,则是将所有的字符串按一个整体进行匹配 pattern = re.compile(r'(.*?)