Python爬虫之利用正则表达式爬取内涵吧

首先，我们来看一下，爬虫前基本的知识点概括

一. match()方法：

这个方法会从字符串的开头去匹配（也可以指定开始的位置），如果在开始没有找到，立即返回None，匹配到一个结果，就不再匹配。

我们可以指定开始的位置的索引是3，范围是3-10，那么python将从第4个字符'1'开始匹配，只匹配一个结果。

group()获得一个或多个分组的字符串，指定多个字符串时将以元组的形式返回，group(0)代表整个匹配的字串，不填写参数时，group()返回的是group(0)。

import re

pattern = re.compile(r'\d+')     #匹配数字一次以上
m = pattern.match('one123two456')
print m
print m.group()

#None
#...AttributeError: 'NoneType' object has no attribute 'group'


pattern = re.compile(r'\d+')     #匹配数字一次以上
m = pattern.match('one123two456'. 3, 10)
print m
print m.group()

#<_sre.SRE_Match object at 0x00000000026FAE68>
#123

二. search()方法：

search方法与match比较类似，区别在于match()方法只检测是不是在字符串的开始位置匹配，search()会扫描整个字符串查找匹配，同样，search方法只匹配一次。

import re

pattern = re.compile(r'\d+')
m = pattern.search('one123two456')
print m.group()

#123

三. findall()方法：

搜索字符串，以列表的形式返回全部能匹配的字串。

import re

pattern = re.compile(r'\d+')
m = pattern.findall('one123two456')
print m

#['123', '456']

四. sub()方法：

用来替换每一个匹配的字符串，并返回替换后的字符串。

import re

pattern = re.compile(r'\d+')
m = pattern.sub('abc', 'one123two456')
print m

#oneabctwo456

五. 实践：爬取内涵吧段子

#-*-coding:utf-8-*-

import requests
import re

class Spider:

    def __init__(self):
        self.page = 1

    def getPage(self, page):
        url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
        response = requests.get(url)
        contents =  response.content.decode('gbk')   #查看网页源代码，内涵吧默认编码是charset=gb2312
        return contents

    def getContent(self):
        contents = self.getPage(self.page) 
        pattern = re.compile('<h4>.*?<a href.*?html">(.*?)</a>.*?class="f18 mb20">(.*?)</div>', re.S)
        results = pattern.findall(contents)
        contents = []
        for item in results:
            title = re.sub('<b>|</b>', "", item[0])
            content = re.sub(r'<p>|</p>|<br />|&\w+;|<img alt.*|<div style=.*>|<div>|<p style="text-align: center; ">', "", item[1])
            content = re.sub(r'<div class="upload-txt.*baseline;">|<h1 class="title".*vertical-align: baseline;">|</h1>', "", content)
            content = re.sub(r'<div class=.*onclick="showAnswer(this)">|</a><div class="answer">', "", content)
            content = re.sub(r'<span style="color: rgb.*;">', "", content)
            contents.append([title, content])
        return contents

    def save_Data(self):
        file = open("duanzi.txt", "w+")
        x = 1
        y = 1
        for self.page in range(0, 507):
            contents = self.getContent()
            print u"正在写入第%d页的数据..." %(self.page+1)
            for item in contents:
                file.write(str(x) + "." + item[0])
                file.write("\n")
                file.write(item[1])
                file.write("=====================================================================================\n\n")
                if item==contents[-1]:
                    file.write(u"********第" + str(y) + "页完********\n\n")
                    y += 1
                x += 1            
        print u"所有页面已加载完"

    def start(self):
        self.save_Data()
                
                             
spider = Spider()
spider.start()

基本上可以获取段子的标题和内容，但由于内涵吧的段子越到后面标签越复杂，所以给替换标签带来了很大的难度。