Python爬虫如何正则表达式-创新互联

创新互联www.cdcxhl.cn八线动态BGP香港云服务器提供商，新人活动买多久送多久，划算不套路！

创新互联长期为上千多家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为赫章企业提供专业的成都网站建设、成都网站设计，赫章网站改版等技术服务。拥有十余年丰富建站经验和众多成功案例,为您定制开发。

今天就跟大家聊聊有关Python爬虫如何正则表达式，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。

爬虫——爬虫中使用正则表达式

下面我们尝试爬取内涵段子网站：http://www.neihan8.com/article/list_5_1.html

打开之后，当你进行翻页的时候，不难注意到，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，我们把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。下面，我们就开始一步一步将所有的段子爬取下来。

第一步：获取网页数据（网页上全部内容）

1.按照我们之前的用法，我们需要写一个加载页面的方法。

这里我们定义一个类，将url请求作为一个成员方法处理。

我们创建一个duanzi_spider.py文件。

然后定义一个Spider类，并且添加一个加载页面的成员方法。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
 
class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content.decode("gb18030")
         
        # 打印页面内容
        print(html)
         
        # 返回页面内容
        return html

2.写main函数测试loadPage()方法

if __name__ == '__main__':
    # 实例化类对象
    my_spider = Spider()
    # 让用户输入需爬取页面的页码
    page = int(input("请输入你需要爬取的页码："))
    # 拼接用户需爬取页面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    html = my_spider.loadPage(url)

第二步：筛选数据

我们已经得到了整个页面的数据。但是，里面有很多内容我们并不需要，所以下一步我们需要对上面爬取的内容进行筛选。如果筛选，这里就用到了我们前面讲到的正则表达式。

首先

import re

然后：在我们得到的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”，你会发现，我们需要的每个段子的内容都是在一个

标签中，而且每个div都有一个属性class="f18 mb20"。

所以，我们只需要匹配到网页中所有

到

的数据就可以了。

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

然后将这个正则应用到代码中，我们会得到以下代码：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
import re
 
class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content
 
        return html.decode("gb18030")
 
    def screenPage(self, html):
        """
        筛选html内容，返回列表
        :param html:
        :return:
        """
        # ...

pattern = re.compile(r'(.*?)

', re.S) item_list = pattern.findall(html) return item_list if __name__ == '__main__': # 实例化类对象 my_spider = Spider() # 让用户输入需爬取页面的页码 page = int(input("请输入你需要爬取的页码：")) # 拼接用户需爬取页面的url地址 url = "http://www.neihan8.com/article/list_5_{}.html".format(page) # 下载网页内容 html = my_spider.loadPage(url) # 筛选数据 item_list = my_spider.screenPage(html)

这里需要注意的是re.S是正则表达式中匹配的一个参数。

如果没有re.S，则是只匹配一行中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作为一个整体进行匹配，findall将所有匹配到的结果返回列表中。

第三步：保存数据

我们可以将所有的段子存放在文件中。

def writePage(self, list):
    """
    以追加的形式存储筛选后的内容
    :param list: 筛选后的数据，列表形式
    :return:
    """
    with open(self.file_name, "a", encoding = "utf-8") as f:
        for content in list:
            # 段子内容：因为段子中有很多，
，。。。，还有一些转义字符。在这里作下替换
            content = content.replace("…", "…").replace("“", "“").replace("”", "”")
            content = content.replace("　", "").replace("\t", "").replace(":", "：")
            content = content.replace("", "").replace("
", "").replace("", "").replace(" ", "")
            content = content.replace("\u3000", "").replace("\r\n\r\n", "\r\n")
            content = content.strip()
 
            # 写入一个段子的内容
            f.write(content)
            # 我是分割线
            f.write("*" * 30)

第四步：完整的程序

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
import re
 
class Spider(object):
    """
    一个爬虫类
    """
    def __init__(self, start_page, end_page):
        """
        类的初始化函数
        :param start_page:
        :param end_page:
        :return:
        """
        self.start_page = start_page
        self.end_page = end_page
        self.file_name = "duanzi.txt"
 
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content
 
        return html.decode("gb18030")
 
    def screenPage(self, html):
        """
        筛选html内容，返回列表
        :param html:
        :return:
        """
        # ...

Python爬虫如何正则表达式-创新互联

其他资讯