Python 爬蟲從入門到進階之路(九)

豐寸發表於2019-07-02

之前的文章我們介紹了一下 Python 中的正規表示式和與爬蟲正則相關的 re 模組,本章我們就利用正規表示式和 re 模組來做一個案例,爬取《糗事百科》的糗事並儲存到本地。

我們要爬取的網站連結是 https://www.qiushibaike.com/text/page/1/ 。

我們要爬取的是裡面的糗事,在之前的文章中我們已經可以爬取整個 url 連結裡的 html 內容,那麼我們就可以根據爬取到的 html 程式碼,再通過 re 模組匹配我們想要的內容即可。

我們通過呼叫開發者工具檢查 HTML 元素髮現我們想要的內容在  <div class="content"> ...... </div>  內,根據這個我們可以寫出程式碼如下:

 1 import urllib.request
 2 import re
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 
 8 url = "https://www.qiushibaike.com/text/page/1/"
 9 # User-Agent頭
10 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
11 headers = {'User-Agent': user_agent}
12 req = urllib.request.Request(url, headers=headers)
13 response = urllib.request.urlopen(req)
14 # 獲取每頁的HTML原始碼字串
15 html = response.read().decode('utf-8')
16 # 建立正規表示式規則物件,匹配每頁裡的糗事內容,re.S 表示匹配全部字串內容
17 # re.S 如果沒有re.S 則是隻匹配一行有沒有符合規則的字串,如果沒有則下一行重新匹配
18 # 如果加上re.S 則是將所有的字串將一個整體進行匹配
19 pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
20 # 將正則匹配物件應用到html原始碼字串裡,返回這個頁面裡的所有糗事的列表
21 content_list = pattern.findall(html)
22 # 呼叫dealPage() 處理糗事裡的雜七雜八
23 print(content_list)

最終我們列印結果如下:

從上面的列印結果可以看出我們已經拿到了我們想要的資料,並且儲存在了一個列表裡,那麼接下來我們只需要再處理一下列表,叫列表內雜七雜八的內容,如上圖中的 \n <span>標籤等去掉,就是我們想要的內容了。

1 for item in item_list:
2     item = item.replace('<span>', "").replace('<span class="contentForAll">檢視全文', "").replace("</span>","").replace("<br/>", "").replace("\n", "")
3     print(item)
4     self.writePage(item)

上面的程式碼中 item_list 即為我們上面所獲取到的 content_list 列表,通過對列表的內容分析,我們發現有 <span> ,<span class="contentForAll">檢視全文,</span>,<br/>,\n 等多餘內容,我們通過 replace 方法將其轉為空,剩下的就是我們想要的內容了,接下來就是儲存到本地即可了。

上面就可以實現一個獲取 糗事百科 的糗事的簡單爬蟲,但是隻能爬取單個頁面的內容,通過分析 url 我們發現 https://www.qiushibaike.com/text/page/1/ 中最後的 1 即為頁碼,我們就可以根據這個頁碼逐一爬取更多頁面的內容,最終的程式碼如下:

 1 import urllib.request
 2 import re
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 
 8 
 9 class Spider:
10     def __init__(self):
11         # 初始化起始頁位置
12         self.page = 1
13         # 爬取開關,如果為True繼續爬取
14         self.switch = True
15 
16     def loadPage(self):
17         """
18            作用:開啟頁面
19         """
20         url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/"
21         # User-Agent頭
22         user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
23         headers = {'User-Agent': user_agent}
24         req = urllib.request.Request(url, headers=headers)
25         response = urllib.request.urlopen(req)
26         # 獲取每頁的HTML原始碼字串
27         html = response.read().decode('utf-8')
28         # 建立正規表示式規則物件,匹配每頁裡的糗事內容,re.S 表示匹配全部字串內容
29         # re.S 如果沒有re.S 則是隻匹配一行有沒有符合規則的字串,如果沒有則下一行重新匹配
30         # 如果加上re.S 則是將所有的字串將一個整體進行匹配
31         pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
32         # 將正則匹配物件應用到html原始碼字串裡,返回這個頁面裡的所有糗事的列表
33         content_list = pattern.findall(html)
34         # 呼叫dealPage() 處理糗事裡的雜七雜八
35         self.dealPage(content_list)
36 
37     def dealPage(self, item_list):
38         """
39             @brief 處理得到的糗事列表
40             @param item_list 得到的糗事列表
41             @param page 處理第幾頁
42         """
43         for item in item_list:
44             item = item.replace('<span>', "").replace('<span class="contentForAll">檢視全文', "").replace("</span>","").replace("<br/>", "").replace("\n", "")
45             self.writePage(item)
46 
47     def writePage(self, text):
48         """
49             @brief 將資料追加寫進檔案中
50             @param text 檔案內容
51         """
52         myFile = open("./duanzi.txt", 'a')  # 追加形式開啟檔案
53         myFile.write(text + "\n\n")
54         myFile.close()
55 
56     def startWork(self):
57         """
58             控制爬蟲執行
59         """
60         # 迴圈執行,直到 self.switch == False
61         while self.switch:
62             # 使用者確定爬取的次數
63             self.loadPage()
64             command = input("如果繼續爬取,請按回車(退出輸入quit)")
65             if command == "quit":
66                 # 如果停止爬取,則輸入 quit
67                 self.switch = False
68             # 每次迴圈,page頁碼自增1
69             self.page += 1
70         print("爬取結束!")
71 
72 
73 if __name__ == '__main__':
74     # 定義一個Spider物件
75     qiushiSpider = Spider()
76     qiushiSpider.startWork()

最終會在本地新增一個 qiushi.txt 的檔案,結果如下:

 

相關文章