这是Python爬虫系列的源代码,以 糗事百科 为例
糗事百科源代码.PNG点开源代码中的不同标签,发现其实网页中显示的各种段子其实都在以下的几行代码之间
<div > <span> </span>
糗事百科源代码中内容位置.PNG所以,当我们知道了自己想要的信息保存在哪个部分之后,我们就可以通过正则表达式(稍后会介绍)将这一部分信息提取出来,比如很多人爬的豆瓣电影,可以将Top250或者自己感兴趣的影片信息批量导出,或者把一些网站中的图片批量下载下来。
其实,像谷歌、百度这些搜索引擎也可以看成是网络爬虫,但是它们爬的是整个互联网上的信息,并且要在很短的时间内将结果显示出来,这就涉及到算法和优化的问题,而今天爬取糗事百科段子的程序只是一个很简单的爬虫,算是入门。
源代码放在我的GitHub主页上,下面主要是对具体代码的理解和分析。
注意:使用Python2.7版本
代码中用到了urllib2
和re
两个库,前一个用来获取网页的源代码,后一个使用正则表达式提取我们想要的信息,这也是我们的代码主要做的两件事情。
url = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)request = urllib2.Request(url, headers={'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'})response = urllib2.urlopen(request)pageCode = response.read().decode('utf-8')
url是我们想要爬的网页地址,request是请求网页,urllib2.Request(url, headers)
中的地址,的内容,由于网页是中文,利用decode('utf-8')
将字符串变为'utf-8'编码格式,防止乱码。
首先上图
正则表达式.png正则表达式有很多语法,最好在实际使用中边用边学。我们的代码中提取内容的部分为
pattern = re.compile('h2>(.*?)</h2.*?content">.*?<span>(.*?)</.*?number">(.*?)</.*?number">(.*?)</',re.S)items = re.findall(pattern,pageCode)pageStories = []for item in items: pageStories.append([item[0].strip(),item[1].strip(),item[2].strip(),item[3].strip()])
先看网页与源代码对应的部分
获取内容部分.PNG获取内容部分代码.PNG<h2>
一直到最后的</a>
,这其中包括了发布人、内容、好笑数和评论数,我们可以将这四部分提取出来。patter(最小的合数是几?最小的合数是4。合数是指自然数中除了能被1和本身整除外,还能被其他数(0除外)整除的数。自然数从0开始。)n = re.compile('h2>(.*?)</h2.*?content">.*?<span>(.*?)</.*?number">(.*?)</.*?number">(.*?)</',re.S)
是匹配模式,.
匹配除换行符‘\n’之外的字符,re.S
代表(dot matchs all),.
也匹配换行符,.*
和.*?
的区别是前者是贪婪匹配,后者是非贪婪匹配。
比如说匹配输入串A: 101000000000100
使用 1.*1 将会匹配到1010000000001, 匹配方法: 先匹配至输入串A的最后, 然后向前匹配, 直到可以匹配到1, 称之为贪婪匹配。
使用 1.*?1 将会匹配到101, 匹配方法: *匹配下一个1之前的所有字符, 称之为非贪婪匹配。
注: 翻译自StackOverflow回答
(.*?)代表一个分组,是我们想要提取出的信息,re.findall(pattern,pageCode)
表示以pattern寻找pageCode中能匹配的所有子串,并以列表形式返回子串。item[0]、item[1]、item[2]、item[3]分别代表发布人、内容、好笑数和评论数,.strip()
表示删除字符串开头和末尾的所有空白符(包括'\n'、'\t'、'\r'、' ')。'\n'换行,表示光标移到下一行,'\t'水平制表位,相当于按了键盘上的TAB键,'\r'回车,相当于光标回到该行首的位置。
getPage
函数得到页面的代码,getPageItem
获得页面中我们想要的内容,储存在列表中,loadPage
函数在内容不够时加载新页面,并添加到self.stories
变量中,getOneStory
函数输入‘Q’退出程序,按回车显示一条内容,其中self.enable
变量用来判断程序是否结束。