現在擁有了正則表達式這把神兵利器，我們就可以進行對爬取到的全部網頁源代碼進行篩選了。
下面我們一起嘗試一下爬取內涵段子網站：
http://www.neihan8.com/article/list_5_1.html
打開之后，不難看出里面一個一個非常有內涵的段子，當你進行翻頁的時候，注意url地址的變化：
- 第一頁url: http: //www.neihan8.com/article/list_5_1 .html
- 第二頁url: http: //www.neihan8.com/article/list_5_2 .html
- 第三頁url: http: //www.neihan8.com/article/list_5_3 .html
- 第四頁url: http: //www.neihan8.com/article/list_5_4 .html
這樣我們的url規律找到了，要想爬取所有的段子，只需要修改一個參數即可。
我們就開始一步一步將所有的段子爬取下來吧。
第一步：獲取數據
1. 按照我們之前的用法，我們需要一個加載頁面的方法。
這里我們統一定義一個類，將url請求作為一個成員方法處理。
我們創建了一個文件，叫duanzi_spider.py
然后定義一個Spider類，并且添加一個加載頁面的成員方法。
import urllib2
class Spider:
"""
內涵段子爬蟲類
"""
def loadPage(self, page):
"""
@brief 定義一個url請求網頁的方法
@param page需要請求的第幾頁
@returns 返回的頁面url
"""
url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html"
#user-Agent頭
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)
print html
以上的loadPage的實現思想想必大家都應該熟悉了，需要注意定義python類的成員方法需要額外添加一個參數self.
2.寫main函數測試一個loadPage方法
if __name__ == "__main__":
"""
=====================
內涵段子小爬蟲
=====================
"""
print("請按下回車開始")
raw_input()
#定義一個Spider對象
mySpider = Spider()
mySpider.loadPage(1)
程序正常執行的話，我們會在皮姆上打印了內涵段子第一頁的全部html代碼。但是我們發現，html中的中文部分顯示的可能是亂碼。
那么我們需要簡單的將得到的網頁源代碼處理一下：
def loadPage(self, page):
"""
@bridf 定義一個url請求網頁的方法
@param page 需要請求的第幾頁
@returns 返回的頁面html
"""
url = "http://www.neihan8.com/article/list_5_"+str(page)+".html"
#user-agent頭
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：對于每個網站對中文的編碼各自不同，所以html.decode("gbk")的寫法并不是通用的，根據網站的編碼而異。
第二步：篩選數據
接下來我們已經得到了整個頁面的數據。但是，很多內容我們并不關心，所以下一步我們需要篩選數據。如何篩選，就用到了上一節講述的正則表達式
首先
import re
然后，我們得到的gbk_html中進行篩選匹配。
我們需要一個匹配規則
我們可以打開內涵段子的網頁，鼠標點擊右鍵"查看源代碼"你會驚奇的發現，我們需要的每個段子的內容都是在一個
根據正則表達式，我們可以推算出一個公式是：
這個表達式實際上就是匹配到所有div中class="f18 mb20"里面的內容(具體可以看前面介紹)
然后這個正則應用到代碼中，我們會得到以下代碼：
def loadPage(self, page):
"""
@brief 定義一個url請求網頁的辦法
@param page 需要請求的第幾頁
@returns 返回的頁面html
"""
url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html"
#User-Agent頭
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")
#找到所有的段子內容
#re.S 如果沒有re.S,則是只匹配一行有沒有符合規則的字符串，如果沒有則匹配下一行重新匹配
#如果加上re.S,則是將所有的字符串按一個整體進行匹配
pattern = re.compile(r'
(.*?)
這里需要注意一個是re.S是正則表達式中匹配的一個參數。
- 如果沒有re.S則是只匹配一行有沒有符合規則的字符串，如果沒有則下一行重新匹配。
- 如果加上re.S則是將所有的字符串按一個整體進行匹配，findall將匹配到的所有結果封裝到一個list中。
- 如果我們寫了一個遍歷item_list的一個方法printOnePage()。ok程序寫到這，我們再一次執行一下。
python duanzi_spider.py
我們第一頁的全部段子，不包含其他信息全部的打印了出來.
-
你會發現段子中有很多
,
很是不舒服，實際上這個是html的一種段落的標簽。 -
在瀏覽器上看不出來，但是如果按照文本打印會有
出現，那么我們只需要把我們的內容去掉即可。
- 我們可以如下簡單修改一下printOnePage()
def printOnePage(self, item_list, page):
"""
@brief 處理得到的段子列表
@param item_list 得到的段子列表
@param page 處理第幾頁
"""
print("******第%d頁,爬取完畢*****"%page)
for item in item_list:
print("============")
item = item.replace("
", "").replace("
", "").replace("
", "")
print item
第三步：保存數據
我們可以將所有的段子存放在文件中。比如，我們可以將得到的每個item不是打印出來，而是放在一個叫duanzi.txt的文件中也可以。
def writeToFile(self, text):
"""
@brief 將數據追加寫進文件中
@param text 文件內容
"""
myFile = open("./duanzi.txt", "a") #a追加形式打開文件
myFile.write(text)
myFile.write("-------------------------")
myFile.close()
然后我們將所有的print的語句改寫成writeToFile(), 當前頁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 處理得到的段子列表
@param item_list 得到的段子列表
@param page 處理第幾頁
"""
print("***第%d頁，爬取完畢****"%page)
for item in item_list:
item = item.replace("
", "").replace("
", "").replace("
". "")
self.writeToFile(item)
第四步：顯示數據
接下來我們就通過參數的傳遞對page進行疊加來遍歷內涵段子吧的全部段子內容。
只需要在外層加上一些邏輯處理即可。
def doWork(self):
"""
讓爬蟲開始工作
"""
while self.enable:
try:
item_list = self.loadPage(self.page)
except urllib2.URLError, e:
print e.reason
continue
#將得到的段子item_list處理
self.printOnePage(item_list, self.page)
self.page += 1
print "按回車繼續...."
print "輸入quit退出"
command = raw_input()
if(command == "quit"):
self.enable = False
break
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
