Python 爬虫 1 快速入门

Python 爬虫 快速入门

参考资料：极客学院: Python定向爬虫

代码：1.crawler-basic.ipynb

本文内容：

1. 正则表达式

2. 用正则表达式抓取 html 内容

3. 半自动爬虫实战：抓取网页上的图片

1. 正则表达式

#-*-coding:utf8-*-# 导入re，正则表达式库文件import re# from re import findall,search,Ssecret_code = 'hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'print secret_code

hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse

# .的使用举例：.就是占位符，几个 . 就是几个符号# 在 a 中找 x.a = 'xy123'b1 = re.findall('x.',a)print b1

b2 = re.findall('x..',a)print b2

['xy']
['xy1']

# *的使用举例：＊ 可以匹配前一个字符 0 次或者 无数次a = 'xyxyxxx123'b = re.findall('x*',a)print b

['x', '', 'x', '', 'xxx', '', '', '', '']

# ?的使用举例：？ 可以匹配前一个字符 0 次或者 1次a = 'xyxyxxx123'b = re.findall('x?',a)print b

['x', '', 'x', '', 'x', 'x', 'x', '', '', '', '']

'''上面的内容全部都是只需要了解即可，需要掌握的只有下面这一种组合方式(.*?)'''# .*的使用举例：.* 像个胖子，能吃多少吃多少，从第一个xx到最后一个xx只要满足条件就都吃掉# secret_code = 'hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'b = re.findall('xx.*xx',secret_code)print b

['xxIxxfasdjifja134xxlovexx23345sdfxxyouxx']

# .*？的使用举例：.*？像个婴儿，少量多餐，只要满足xx～xx就可以，找到尽量多的满足条件的组合c = re.findall('xx.*?xx',secret_code)print c

['xxIxx', 'xxlovexx', 'xxyouxx']

# #使用括号与不使用括号的差别：需要的内容放在括号里面，不需要的放在括号外面d = re.findall('xx(.*?)xx',secret_code)print dfor each in d:    print each

['I', 'love', 'you']
I
love
you

# .的使用举例：.可以匹配任意字符，但是换行符 \n 除外，所以第一行没有找到结尾的xx，第一行信息丢失s = '''sdfxxhello
xxfsdfxxworldxxasdf'''d = re.findall('xx(.*?)xx',s)print d

['fsdf']

# .的使用举例：re.S 让 .包括\ns = '''sdfxxhello
xxfsdfxxworldxxasdf'''d = re.findall('xx(.*?)xx',s,re.S)print d

['hello\n', 'world']

# 对比findall与search的区别: search 后面的 group(i)， 有几个括号，就可以写到几s2 = 'asdfxxIxx123xxlovexxdfd'f1 = re.search('xx(.*?)xx123xx(.*?)xx',s2).group(1)
f2 = re.search('xx(.*?)xx123xx(.*?)xx',s2).group(2)print f1print f2

I
love

# findall：如果有3个括号，那么元组里就有3个元素。当有第二串满足下面匹配格式时，就会有两个元组f2 = re.findall('xx(.*?)xx123xx(.*?)xx',s2)print f2     # f2是个列表list，里面有一个元素且是个元组tuple，这个元组里有两个元素 I 和 loveprint f2[0][1]

[('I', 'love')]
love

# sub的使用举例: 替换 s 中符合匹配规律的地方s = '123abcssfasdfas123'# s = '123rrrrr123'output1 = re.sub('123(.*?)123','123789123',s)
output2 = re.sub('123(.*?)123','123%d123'%789,s)print output1print output2

123789123
123789123

# 匹配数字：更方便的方法匹配出数字a = 'asdfasf1234567fasd555fas'b = re.findall('(\d+)',a)print b

['1234567', '555']

2. 用正则表达式抓取 html 内容

# 要抓取的网址，20页面old_url = 'http://www.jikexueyuan.com/course/android/?pageNum=2'total_page = 20# 读取txt的内容放在 html 变量里f = open('text.txt','r')
html = f.read()
f.close()#爬取标题：用 search 因为只要找到一个匹配的就不会再去找了，而findall会一直遍历找到尽可能多的，在确定内容只有一个时，用search省时间title = re.search('<title>(.*?)</title>',html,re.S).group(1)print title
极客学院爬虫测试#爬取链接links = re.findall('href="(.*?)"',html,re.S)print linksfor each in links:    print each    

# 抓取部分文字,先大再小# 为了避免符合格式，但是不想要的内容去掉，先放大匹配范围text_field = re.findall('<ul>(.*?)</ul>',html,re.S)[0]print text_field# 再在 the_text 中找到文字的格式the_text = re.findall('">(.*?)</a>',text_field,re.S)for every_text in the_text:    print every_text    

#sub实现翻页for i in range(2,total_page+1):
    new_link = re.sub('pageNum=\d+','pageNum=%d'%i,old_url,re.S)    print new_linkfor i in range(2,total_page+1):
    new_link = re.sub('pageNum=\d+','pageNum=%d'%i,old_url,re.S)    print new_link

3. 半自动爬虫实战：抓取网页上的图片

import reimport requests# 读取源代码文件：手动把目标网页的源代码copy到txt里，读文件，赋值给变量 htmlf = open('source.txt','r')
html = f.read()
f.close()#匹配图片网址pic_url = re.findall('img class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="(.*?)" class="lessonimg"',html,re.S)
i = 0print pic_urlfor each in pic_url:    print eachfor each in pic_url:    print 'now downloading:' + each
    pic = requests.get(each)                       # 用requests的get方法 下载图片
    fp = open('pic2\\' + str(i) + '.jpg','wb')     # 事先建立好文件夹 pic2，保存到本地文件，文件名是 序号.jpg
    fp.write(pic.content)
    fp.close()
    i += 1