python爬虫中使用正则表达式

阿里云双11来了!从本博客参与阿里云,服务器最低只要86元/年!

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

2.写main函数测试loadPage()方法

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<div>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<div class=”f18 mb20″>到</div>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:

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。

第四步:完整的程序

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!