网站建设基本流程费用,wordpress自适应图片主题,wish网站应该怎么做,培训课程有哪些本章将结合先前所学的爬虫和正则表达式知识#xff0c;做一个简单的爬虫案例#xff0c;更多内容请参考:Python学习指南 现在拥有了正则表达式这把神兵利器#xff0c;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#xff1… 本章将结合先前所学的爬虫和正则表达式知识做一个简单的爬虫案例更多内容请参考:Python学习指南 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 urllib2class 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urlurl 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/5.0headers {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div标签中而且每个div标签都有一个属性classf18 mb20 根据正则表达式我们可以推算出一个公式是
div.*?classf18 mb20(.*?)/div这个表达式实际上就是匹配到所有div中classf18 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htmlurl 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, headersheaders)response urllib2.urlopen(req)html response.read()gbk_html html.decode(gbk).encode(utf-8)#找到所有的段子内容div classf18 mb20/div#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(rdiv.*?classf18 mb20(.*?)/div, re.S)item_list pattern.findall(gbk_html)return item_listdef printOnePage(self, item_list, page):brief 处理得到的段子列表param item_list 得到的段子列表param page处理第几页print(*********第%d页爬取完毕...******%page)for item in item_list:print()print ite这里需要注意一个是re.S是正则表达式中匹配的一个参数。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findall将匹配到的所有结果封装到一个list中。如果我们写了一个遍历item_list的一个方法printOnePage()。ok程序写到这我们再一次执行一下。
python duanzi_spider.py我们第一页的全部段子不包含其他信息全部的打印了出来.你会发现段子中有很多p,/p很是不舒服实际上这个是html的一种段落的标签。在浏览器上看不出来但是如果按照文本打印会有p出现那么我们只需要把我们的内容去掉即可。我们可以如下简单修改一下printOnePage()
def printOnePage(self, item_list, page):brief 处理得到的段子列表param item_list 得到的段子列表param page 处理第几页print(******第%d页,爬取完毕*****%page) for item in item_list:print()item item.replace(p, ).replace(/p, ).replace(br /, )print item第三步保存数据
我们可以将所有的段子存放在文件中。比如我们可以将得到的每个item不是打印出来而是放在一个叫duanzi.txt的文件中也可以。
def writeToFile(self, text):brief 将数据追加写进文件中param text 文件内容myFile open(./duanzi.txt, a) #a追加形式打开文件 myFile.write(text)myFile.write(-------------------------)myFile.close()然后我们将所有的print的语句改写成writeToFile(), 当前页面的所有段子就存在了本地的duanzi.txt文件中。
def printOnePage(self, item_list, page):brief 处理得到的段子列表param item_list 得到的段子列表param page 处理第几页print(***第%d页爬取完毕****%page)for item in item_list:item item.replace(p, ).replace(/p, ).replace(br /. )self.writeToFile(item)第四步显示数据
接下来我们就通过参数的传递对page进行叠加来遍历内涵段子吧的全部段子内容。只需要在外层加上一些逻辑处理即可。
def doWork(self):让爬虫开始工作while self.enable:try:item_list self.loadPage(self.page)except urllib2.URLError, e:print e.reasoncontinue#将得到的段子item_list处理self.printOnePage(item_list, self.page)self.page 1print 按回车继续....print 输入quit退出command raw_input()if(command quit):self.enable Falsebreak最后我们执行我们的代码完成后查看当前路径下的duanzi.txt文件里面已经有了我们要的内涵段子。
以上便是一个非常精简的小爬虫程序使用起来很是方便如果想要爬取其它网站的信息只需要修改其中某些参数和一些细节即可。
更多Python的学习资料可以扫描下方二维码无偿领取 1Python所有方向的学习路线新版
总结的Python爬虫和数据分析等各个方向应该学习的技术栈。 比如说爬虫这一块很多人以为学了xpath和PyQuery等几个解析库之后就精通的python爬虫其实路还有很长比如说移动端爬虫和JS逆向等等。 2Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频总共100多个虽然达不到大佬的程度但是精通python是没有问题的学完这些之后你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。 3100多个练手项目
我们在看视频学习的时候不能光动眼动脑不动手比较科学的学习方法是在理解之后运用它们这时候练手项目就很适合了只是里面的项目比较多水平也是参差不齐大家可以挑自己能做的项目去练练。 。
