Python（五）编程小实例

Python（五）编程小实例

 

 

抓取网页信息，并生成txt文件内容！

Python抓取网页技能——Python抓取网页就是我们常看见的网络爬虫，我们今天所要用到的就是我们Python中自带的模块，用这些模块将网页内容爬取下来，并生成一个txt文件。

 

（一）实例思路：

我们所需要用到的模块：

urllib2—urllib2是Python的一个获取URLs(Uniform Resource Locators)的组件。他以urlopen函数的形式提供了一个非常简单的接口，这是具有利用不同协议获取URLs的能力，他同样提供了一个比较复杂的接口来处理一般情况，例如：基础验证，cookies,代理和其他。

 

1 import urllib2
2 
3 response=urllib2.urlopen('http://tieba.baidu.com/p/4923127538?see_lz=1')
4 
5 html = response.read()

 

re—Python的re模块就是我们开始想知道的大名鼎鼎的正则表达式，正则表达式(可以称为REs，regex，regex pattens)是一个小巧的，高度专业化的编程语言，它内嵌于Python开发语言中，可通过re模块使用。正则表达式的pattern可以被编译成一系列的字节码，然后用C编写的引擎执行。

1 import re
2 
3 m = re.search ('ab+','asdfabbbbb')
4 
5 print m.group()

1 Python 2.7.13 (v2.7.13:a06454b1afa1, Dec 17 2016, 20:53:40) [MSC v.1500 64 bit (AMD64)] on win32
2 Type "copyright", "credits" or "license()" for more information.
3 >>> 
4 ========================= RESTART: H:\Python27\1.py =========================
5 abbbbb
6 >>> 

re—正则表达式我们本节就不去重点讲了，基础同学们可以去看看正则表达式的详细内容：http://www.runoob.com/python/python-reg-expressions.html。在我的博客中有详细的正则表达式（字符）详解！

 

那么接下来我们开始我们的小实例——爬取百度贴吧小说！

首先我们要明确一下我们项目的思路:

　　　　　　　　　　　　　　　　# -*- coding: utf-8 -*-
　　　　　　　　　　　　　　　　#模块：urllib2, re。
　　　　　　　　　　　　　　　　#正则表达式：------想要的内容 findall(正则表达式，源码)
　　　　　　　　　　　　　　　　#百度贴吧爬取内容：1.获取源码
　　　　　　　　　　　　　　　　# 2.解析超链接
　　　　　　　　　　　　　　　　# 3.获取标题
　　　　　　　　　　　　　　　　# 4.获取内容
　　　　　　　　　　　　　　　　# 5.发送命令，调用主函数

我们在进行项目时要将整体突出程序化，那么我们开始第一步的实施调取Python中自带的模块：

1 # -*- coding: utf-8 -*-
2 
3 import urllib2
4 import re

将我们所需的模块插入后，我们开始项目的实施：

 1 class BDTB:
 2     baseUrl = 'http://tieba.baidu.com/p/4923127538?see_lz=1'
 3     #获取源代码
 4     def getPage(self,pageNum):
 5         try:
 6             url = self.baseUrl + str(pageNum)
 7             request = urllib2.Request(url)
 8             response = urllib2.urlopen(request).read()
 9             #print response
10             return response
11         except Exception,e:
12             print e

上述代码是我们要获取的网页源码信息，因为我们需要多方面的爬取我们想要的内容，所以我们创建一个类来实现其中所有函数的功能。

1 baseUrl = 'http://tieba.baidu.com/p/4923127538?see_lz=1'

baseUrl就是我们想要获取的网址！

1  def getPage(self,pageNum):
2         try:
3             url = self.baseUrl + str(pageNum)
4             request = urllib2.Request(url)
5             response = urllib2.urlopen(request).read()
6             #print response
7             return response
8         except Exception,e:
9             print e

网址获取到了之后，我们要定义一个函数，来获取我们想要获取的网页信息，在函数中我们定义了两个变量，这两个变量是我们正则匹配时要需要用到的！

我们在其中所用到的:

1 try:
2     语句1
3     语句2
4     .
5     .
6     语句N
7 except Exception e:
8     print e

这样的语句就是判断我们的程序有没有错误，看我们是否获取到我们想要的信息，如果没有获取到就给编译器返回一个e值！

接下来我们要使用我们的正则表达式来获取其中我们想要的内容了！

 1 def Title(self,pageNum):
 2         html = self.getPage(pageNum)
 3         reg = re.compile(r'title="这(.*?)"')
 4         items = re.findall(reg,html)
 5         print items[0]
 6         for item in items:
 7             f = open('text1.txt','w')
 8             f.write('标题'+'\t'+item)
 9             f.close()
10         return items

这一段定义的函数是将我们所获取到的网页信息，匹配到我们想要的位置，然后截取下来！并且将网页匹配的信息生成一个text1.txt的文本文件，‘w’就是写入信息！

1  reg = re.compile(r'title="这(.*?)"')

这里我们就用到了re模块中的包含一个重要函数是compile(pattern [, flags]) ，该函数根据包含的正则表达式的字符串创建模式对象。

参数描述:

pattern匹配的正则表达式string要匹配的字符串。

flags标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

1 >>> import re
2 >>> repp = 'a,b,,,,c d'
3 >>> reOB = re.compile('[, ]+')
4 >>> reOB.split(some_text)
5 ['a', 'b', 'c', 'd']

接下来我们再看另一个re模块中的函数python 正则表达式 re findall 方法能够以列表的形式返回能匹配的子串。

re.findall(pattern, string[, flags]):

1 items = re.findall(reg,html)

我们来看一下这个函数的实例:

1 >>> import re
2 >>> p = re.compile(r'\d+')
3 >>> print p.findall('one1two2three3four4')
4 ['1', '2', '3', '4']
5 >>> 

将我们我所要查询到的数字以列表的形式输出出来！

1 for item in items:
2             f = open('text1.txt','w')
3             f.write('标题'+'\t'+item)
4             f.close()

在这段代码中，我们用到了Python文件写入，这个地方就是生成我们txt文本文件的地方，同学门可以找找详细的资料来研究一下，这里是对于想保存长期看的同学有很大的帮助哦！在这里我就不详细讲解了！

我们继续我们的项目：

 1 def Text(self,pageNum):
 2         html = self.getPage(pageNum)
 3         reg = re.compile(r'class="d_post_content j_d_post_content ">            (.*?)

',re.S) 4 req = re.findall(reg,html) 5 #print req[0] 6 for i in req: 7 removeAddr = re.compile('|') 8 removeaddr = re.compile('') 9 removeadd = re.compile('http.*?.html') 10 i = re.sub(removeAddr,'',i) 11 i = re.sub(removeaddr,'',i) 12 i = re.sub(removeadd,'',i) 13 i = i.replace('
','') 14 print i 15 f = open('text1.txt','a') 16 f.write('\n\n'+i) 17 f.close()

此处的代码就是我们要完成我们真正所需要的内容了，这里是完整的将我们所需要的小说爬取到手的，这里面用的正则匹配就是我们的贪婪匹配模式了！

1  def Text(self,pageNum):
2         html = self.getPage(pageNum)
3         reg = re.compile(r'class="d_post_content j_d_post_content ">            (.*?)

',re.S) 4 req = re.findall(reg,html)

那么这一部分还是我们在上一匹配到的内容中，将class标签中的全部文字内容提取出来，但是其中我们会看到包含了很多img http等很多小标签，所以我们还需要将这些内容利用正则匹配中的sub函数将他们装换为空“ ”！

1 for i in req:
2             removeAddr = re.compile('|')
3             removeaddr = re.compile('')
4             removeadd = re.compile('http.*?.html')
5             i = re.sub(removeAddr,'',i)
6             i = re.sub(removeaddr,'',i)
7             i = re.sub(removeadd,'',i)
8             i = i.replace('
','')
9             print i

这一串代码就是我们想要把其中像re.compile('|')这样的内容获取到，然后再利用我们的sub函数将这些获取到的内容装换为“ ”空白！然后在输出到 i 这个列表中！最后将 i 输出！

我们在结尾处需要做一个程序运行无误的判断，那么我们就需要用到在编译器中给我们返回我们程序运行的开始！文件的生成结果：

1 bdtb = BDTB()
2 print '爬虫正在启动.....'
3 try:
4     for i in range(1,4):
5         print '正在爬取第%s小说' %(i)
6         bdtb.Title(1)
7         bdtb.Text(1)
8 except Exception,e:
9     print e

在这里我们要调用我们所创建的类，在这一个try中我们看到了一个range的函数，这个函数就是如果你需要一个数值序列，使用内建函数range() 会很方便，它产生等差级数序列。利用这个函数的意思就是我们要获取小说的全部内容！最后我们生成一个text1.txt的文件

最后附上我们实现的整体代码：

 1 # -*- coding: utf-8 -*-
 2 
 3 import urllib2
 4 import re
 5 
 6 class BDTB:
 7     baseUrl = 'http://tieba.baidu.com/p/4923127538?see_lz=1'
 8     #获取源代码
 9     def getPage(self,pageNum):
10         try:
11             url = self.baseUrl + str(pageNum)
12             request = urllib2.Request(url)
13             response = urllib2.urlopen(request).read()
14             #print response
15             return response
16         except Exception,e:
17             print e
18     #匹配内容
19     def Title(self,pageNum):
20         html = self.getPage(pageNum)
21         reg = re.compile(r'title="这(.*?)"')
22         items = re.findall(reg,html)
23         print items[0]
24         for item in items:
25             f = open('text1.txt','w')
26             f.write('标题'+'\t'+item)
27             f.close()
28         return items
29     def Text(self,pageNum):
30         html = self.getPage(pageNum)
31         reg = re.compile(r'class="d_post_content j_d_post_content ">            (.*?)

',re.S) 32 req = re.findall(reg,html) 33 #print req[0] 34 for i in req: 35 removeAddr = re.compile('|') 36 removeaddr = re.compile('') 37 removeadd = re.compile('http.*?.html') 38 i = re.sub(removeAddr,'',i) 39 i = re.sub(removeaddr,'',i) 40 i = re.sub(removeadd,'',i) 41 i = i.replace('
','') 42 print i 43 f = open('text1.txt','a') 44 f.write('\n\n'+i) 45 f.close() 46 47 48 49 bdtb = BDTB() 50 print '爬虫正在启动。。。。' 51 try: 52 for i in range(1,4): 53 print '正在爬取第%s小说' %(i) 54 bdtb.Title(1) 55 bdtb.Text(1) 56 except Exception,e: 57 print e

运行后，在你的Pyhton文件中会生成一个text1.txt的文本文件，你就可以打开查看你想看的小说了哦！加油吧，同学们!

转载于:https://www.cnblogs.com/zhuPython/p/6566967.html