Python 爬虫 快速入门
参考资料：极客学院: Python定向爬虫
代码：1.crawler-basic.ipynb
本文内容：
- 正则表达式
- 用正则表达式抓取 html 内容
- 半自动爬虫实战：抓取网页上的图片
1. 正则表达式
#-*-coding:utf8-*-
# 导入re，正则表达式库文件
import re
# from re import findall,search,S
secret_code = 'hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
print secret_code
hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse
# .的使用举例：.就是占位符，几个 . 就是几个符号
# 在 a 中找 x.
a = 'xy123'
b1 = re.findall('x.',a)
print b1
b2 = re.findall('x..',a)
print b2
['xy']
['xy1']
# *的使用举例：＊ 可以匹配前一个字符 0 次或者 无数次
a = 'xyxyxxx123'
b = re.findall('x*',a)
print b
['x', '', 'x', '', 'xxx', '', '', '', '']
# ?的使用举例：？ 可以匹配前一个字符 0 次或者 1次
a = 'xyxyxxx123'
b = re.findall('x?',a)
print b
['x', '', 'x', '', 'x', 'x', 'x', '', '', '', '']
'''上面的内容全部都是只需要了解即可，需要掌握的只有下面这一种组合方式(.*?)'''
# .*的使用举例：.* 像个胖子，能吃多少吃多少，从第一个xx到最后一个xx只要满足条件就都吃掉
# secret_code = 'hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
b = re.findall('xx.*xx',secret_code)
print b
['xxIxxfasdjifja134xxlovexx23345sdfxxyouxx']
# .*？的使用举例：.*？像个婴儿，少量多餐，只要满足xx～xx就可以，找到尽量多的满足条件的组合
c = re.findall('xx.*?xx',secret_code)
print c
['xxIxx', 'xxlovexx', 'xxyouxx']
# #使用括号与不使用括号的差别：需要的内容放在括号里面，不需要的放在括号外面
d = re.findall('xx(.*?)xx',secret_code)
print d
for each in d:
print each
['I', 'love', 'you']
I
love
you
# .的使用举例：.可以匹配任意字符，但是换行符 \n 除外，所以第一行没有找到结尾的xx，第一行信息丢失
s = '''sdfxxhello
xxfsdfxxworldxxasdf'''
d = re.findall('xx(.*?)xx',s)
print d
['fsdf']
# .的使用举例：re.S 让 .包括\n
s = '''sdfxxhello
xxfsdfxxworldxxasdf'''
d = re.findall('xx(.*?)xx',s,re.S)
print d
['hello\n', 'world']
# 对比findall与search的区别: search 后面的 group(i)， 有几个括号，就可以写到几
s2 = 'asdfxxIxx123xxlovexxdfd'
f1 = re.search('xx(.*?)xx123xx(.*?)xx',s2).group(1)
f2 = re.search('xx(.*?)xx123xx(.*?)xx',s2).group(2)
print f1
print f2
I
love
# findall：如果有3个括号，那么元组里就有3个元素。当有第二串满足下面匹配格式时，就会有两个元组
f2 = re.findall('xx(.*?)xx123xx(.*?)xx',s2)
print f2 # f2是个列表list，里面有一个元素且是个元组tuple，这个元组里有两个元素 I 和 love
print f2[0][1]
[('I', 'love')]
love
# sub的使用举例: 替换 s 中符合匹配规律的地方
s = '123abcssfasdfas123'
# s = '123rrrrr123'
output1 = re.sub('123(.*?)123','123789123',s)
output2 = re.sub('123(.*?)123','123%d123'%789,s)
print output1
print output2
123789123
123789123
# 匹配数字：更方便的方法匹配出数字
a = 'asdfasf1234567fasd555fas'
b = re.findall('(\d+)',a)
print b
['1234567', '555']
2. 用正则表达式抓取 html 内容
# 要抓取的网址，20页面
old_url = 'http://www.jikexueyuan.com/course/android/?pageNum=2'
total_page = 20
# 读取txt的内容放在 html 变量里
f = open('text.txt','r')
html = f.read()
f.close()
#爬取标题：用 search 因为只要找到一个匹配的就不会再去找了，而findall会一直遍历找到尽可能多的，在确定内容只有一个时，用search省时间
title = re.search('(.*?) ',html,re.S).group(1)
print title
极客学院爬虫测试
#爬取链接
links = re.findall('href="(.*?)"',html,re.S)
print links
for each in links:
print each
# 抓取部分文字,先大再小
# 为了避免符合格式，但是不想要的内容去掉，先放大匹配范围
text_field = re.findall('(.*?)
',html,re.S)[0]
print text_field
# 再在 the_text 中找到文字的格式
the_text = re.findall('">(.*?)',text_field,re.S)
for every_text in the_text:
print every_text
#sub实现翻页
for i in range(2,total_page+1):
new_link = re.sub('pageNum=\d+','pageNum=%d'%i,old_url,re.S)
print new_link
for i in range(2,total_page+1):
new_link = re.sub('pageNum=\d+','pageNum=%d'%i,old_url,re.S)
print new_link
3. 半自动爬虫实战：抓取网页上的图片
import re
import requests
# 读取源代码文件：手动把目标网页的源代码copy到txt里，读文件，赋值给变量 html
f = open('source.txt','r')
html = f.read()
f.close()
#匹配图片网址
pic_url = re.findall('img src="(.*?)" class="lessonimg"',html,re.S)
i = 0
print pic_url
for each in pic_url:
print each
for each in pic_url:
print 'now downloading:' + each
pic = requests.get(each) # 用requests的get方法 下载图片
fp = open('pic2\\' + str(i) + '.jpg','wb') # 事先建立好文件夹 pic2，保存到本地文件，文件名是 序号.jpg
fp.write(pic.content)
fp.close()
i += 1