python+正则表达式爬取京东商品数据信息

爬取数据的方式有很多种，正则表达式，scrapy，从接口中爬取动态网页的数据…今天我们讲的是用正则表达式来爬取京东一个大米商品的具体信息。
正则表达式的优点：可以精准的爬取我们想要的数据信息
缺点：爬取的速度会很慢，时间就会变得很长，就容易被反爬虫，封ip
若想爬取大量数据的信息，就需要分为三部分进行
1：爬取一个大米商品的具体信息(也就是下图中的蓝色部分)

2：爬取一整个页面上的所有的商品的信息(也就是这个页面上所有的商品)

3：分页爬取(也就是下图中的蓝色部分，一共一百页)

这次主要针对第一个爬取一个大米商品的具体信息进行讲解，剩下的两个爬取所有和分页爬取将到下一次进行讲解。

爬虫步骤：1：发送请求（request），获取响应内容。
2：解析内容
3：运行函数

下面我们就开始吧
我们爬取的网址是

https://item.jd.com/56986006225.html

一：导入相应的库

import re      
from urllib import request

re库用来进行正则表达式匹配
request用来发送请求
库的安装都可以用以下指令来进行安装

pip install re
pip install urllib

二：建立一个spider类（因为我们的爬虫是在类里进行的），在类下写正则表达式

class Spider():
    inform = '
([\s\S]*?)
'
    dianming = 'target=\'_blank\'>([\s\S]*?)'
    name  ='商品名称：([\s\S]*?)\n'
    bianhao = '商品编号：([\s\S]*?)\n'
    maozhong = '商品毛重：([\s\S]*?)\n'
    chaidi = '商品产地：([\s\S]*?)\n'
    jinghanliang = '净含量：([\s\S]*?)\n'
    fenlei = '分类：([\s\S]*?)\n'
    baozhuang = '包装：([\s\S]*?)\n'
    jiage = '
([\s\S]*?)
'
    pinjia = '
([\s\S]*?)
'

正则表达式的匹配要学习的内容有很多，但是要说有没有一种正则表达式可以匹配数字或者文字。

([\s\S]*?)

其实是有的，只要在自己想匹配内容的位置上把内容删掉，然后换上([\s\S]*?)就可以了，这样就可以匹配到自己想要的内容。

【那么，正则表达式是怎么写的呢，有两种方式，第一种是在自己想爬的网站上按F12，就变成了这个样子

然后点上图的那个红色圆圈，就可以选取自己想爬取的内容，比如说我们想爬取商品名称，就选中商品名称就可以了，然后右边就会出现相应内容的源代码。

然后把内容去掉，换成正则表达式就可以了，**但是这样经常会匹配到空的字符串，因为网页上的源代码和发送给我们的源代码是不一样的，可能会有/n /r/n 等字符匹配不到。**第二种方式等到文章后面在讲，可以精确匹配到内容(在这里讲可能会有同学听不懂)】

三：发送请求（request），获取响应内容

    def __fetch_content(self,url):       #抓取网页地址
        r = request.urlopen(url)   #发送请求给浏览器
        htmls = r.read()                 #读取浏览器的返回并赋值
        htmls = str(htmls, encoding = 'gb18030')     #把返回的html转换成字符串，并进行编码转换
        return htmls                               #返回htmls

只要你想用正则表达式爬任何网站，这一段代码基本上就是不变的，起到了向网址发送请求的获取html的作用

四：解析内容

    def __analysis(self,htmls):
        infom_html = re.findall(Spider.inform,htmls)
        for html in infom_html:
            dianming_html = re.findall(Spider.dianming, html)
            name_html = re.findall(Spider.name, html)
            bianhao_html = re.findall(Spider.bianhao,html)
            maozhong_html = re.findall(Spider.maozhong,html)
            chaidi_html = re.findall(Spider.chaidi,html)
            jinghualiang_html = re.findall(Spider.jinghanliang,html)
            fenlei_html = re.findall(Spider.fenlei,html)
            baozhuang_html = re.findall(Spider.baozhuang,html)
            anchors = {'品牌':dianming_html,
                    '商品名称':name_html,
                    '商品编号':bianhao_html,
                    '商品毛重':maozhong_html,
                    '商品产地':chaidi_html,
                    '净含量':jinghualiang_html,
                    '分类':fenlei_html,
                    '包装':baozhuang_html}
            print(anchors)

在这里我们用re库的findall来匹配内容，接受两个参数，一个是正则表达式(如Spider.inform…)，另一个是在哪里匹配(如htmls)
在这里，infom_html的作用是在网页返回的htmls里缩小了匹配范围，更加容易匹配到内容
随后我定义了输出格式，anchors，以字典的形式输出来

五：运行函数

    def go(self):              #运行函数
        url = 'https://item.jd.com/56986006225.html'
        htmls = self.__fetch_content(url)          #获取网址
        anchors = self.__analysis(htmls)         #用正则表达式匹配

这一步的作用是传递我们要爬的网址url，来运行以上定义的两个函数

六：实例化类对象，运行类

spider = Spider()
spider.go()

这里就不多说了，就是起到了运行class Spider 类的作用

全体代码：

import re
from urllib import request
class Spider():
    inform = '
([\s\S]*?)
'
    dianming = 'target=\'_blank\'>([\s\S]*?)'
    name  ='商品名称：([\s\S]*?)\n'
    bianhao = '商品编号：([\s\S]*?)\n'
    maozhong = '商品毛重：([\s\S]*?)\n'
    chaidi = '商品产地：([\s\S]*?)\n'
    jinghanliang = '净含量：([\s\S]*?)\n'
    fenlei = '分类：([\s\S]*?)\n'
    baozhuang = '包装：([\s\S]*?)\n'
    jiage = '
([\s\S]*?)
'
    pinjia = '
([\s\S]*?)
'

    def __fetch_content(self,url):
        r = request.urlopen(url)
        htmls = r.read()
        htmls = str(htmls,encoding='gb18030')
        return htmls

    def __analysis(self,htmls):
        infom_html = re.findall(Spider.inform,htmls)
        for html in infom_html:
            dianming_html = re.findall(Spider.dianming, html)
            name_html = re.findall(Spider.name, html)
            bianhao_html = re.findall(Spider.bianhao,html)
            maozhong_html = re.findall(Spider.maozhong,html)
            chaidi_html = re.findall(Spider.chaidi,html)
            jinghualiang_html = re.findall(Spider.jinghanliang,html)
            fenlei_html = re.findall(Spider.fenlei,html)
            baozhuang_html = re.findall(Spider.baozhuang,html)
            anchors = {'品牌':dianming_html,
                    '商品名称':name_html,
                    '商品编号':bianhao_html,
                    '商品毛重':maozhong_html,
                    '商品产地':chaidi_html,
                    '净含量':jinghualiang_html,
                    '分类':fenlei_html,
                    '包装':baozhuang_html}
            print(anchors)

    def go(self):              #运行函数
        url = 'https://item.jd.com/56986006225.html'
        htmls = self.__fetch_content(url)          #获取网址输入
        anchors = self.__analysis(htmls)         #用正则表达式匹配

spider = Spider()
spider.go()

输出：

最后，讲解一下正则表达式匹配的第二种方式，
1：在def_analysis(self,htmls):里设置断点，然后进行调试

圆的为断点，长方形的为调试，等待一会后出现

然后右边就会出现你匹配到的情况，在里面找到htmls，点view然后把里面的内容复制到一个word文档里，在里面进行匹配，一定可以匹配到自己想要的内容。

至此，爬取一个商品的具体信息已经结束了，接下来会讲解如何爬取一整个网页上的信息，和分页爬取。我们以后再见吧。