Python 爬虫从入门到进阶之路（九）

之前的文章我们介绍了一下 Python 中的正则表达式和与爬虫正则相关的 re 模块，本章我们就利用正则表达式和 re 模块来做一个案例，爬取《糗事百科》的糗事并存储到本地。

我们要爬取的网站链接是 https://www.qiushibaike.com/text/page/1/ 。

我们要爬取的是里面的糗事，在之前的文章中我们已经可以爬取整个 url 链接里的 html 内容，那么我们就可以根据爬取到的 html 代码，再通过 re 模块匹配我们想要的内容即可。

我们通过调用开发者工具检查 HTML 元素发现我们想要的内容在  <div class="content"> ...... </div>  内，根据这个我们可以写出代码如下：

import urllib.request
import re
import ssl

# 取消代理验证
ssl._create_default_https_context = ssl._create_unverified_context

url = "https://www.qiushibaike.com/text/page/1/"
# User-Agent头
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'
headers = {'User-Agent': user_agent}
req = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(req)
# 获取每页的HTML源码字符串
html = response.read().decode('utf-8')
# 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容
# re.S 如果没有re.S 则是只匹配一行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将一个整体进行匹配
pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
# 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表
content_list = pattern.findall(html)
# 调用dealPage() 处理糗事里的杂七杂八
print(content_list)

最终我们打印结果如下：

从上面的打印结果可以看出我们已经拿到了我们想要的数据，并且存储在了一个列表里，那么接下来我们只需要再处理一下列表，叫列表内杂七杂八的内容，如上图中的 <span>标签等去掉，就是我们想要的内容了。

for item in item_list:
    item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace("
", "")
    print(item)
    self.writePage(item)

上面的代码中 item_list 即为我们上面所获取到的 content_list 列表，通过对列表的内容分析，我们发现有 <span> ，<span class="contentForAll">查看全文，</span>，<br/>， 等多余内容，我们通过 replace 方法将其转为空，剩下的就是我们想要的内容了，接下来就是存储到本地即可了。

上面就可以实现一个获取 糗事百科 的糗事的简单爬虫，但是只能爬取单个页面的内容，通过分析 url 我们发现 https://www.qiushibaike.com/text/page/1/ 中最后的 1 即为页码，我们就可以根据这个页码逐一爬取更多页面的内容，最终的代码如下：

import urllib.request
import re
import ssl

# 取消代理验证
ssl._create_default_https_context = ssl._create_unverified_context


class Spider:
    def __init__(self):
        # 初始化起始页位置
        self.page = 1
        # 爬取开关，如果为True继续爬取
        self.switch = True

    def loadPage(self):
        """
           作用：打开页面
        """
        url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/"
        # User-Agent头
        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'
        headers = {'User-Agent': user_agent}
        req = urllib.request.Request(url, headers=headers)
        response = urllib.request.urlopen(req)
        # 获取每页的HTML源码字符串
        html = response.read().decode('utf-8')
        # 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容
        # re.S 如果没有re.S 则是只匹配一行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将一个整体进行匹配
        pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
        # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表
        content_list = pattern.findall(html)
        # 调用dealPage() 处理糗事里的杂七杂八
        self.dealPage(content_list)

    def dealPage(self, item_list):
        """
            @brief 处理得到的糗事列表
            @param item_list 得到的糗事列表
            @param page 处理第几页
        """
        for item in item_list:
            item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace("
", "")
            self.writePage(item)

    def writePage(self, text):
        """
            @brief 将数据追加写进文件中
            @param text 文件内容
        """
        myFile = open("./duanzi.txt", 'a')  # 追加形式打开文件
        myFile.write(text + "

")
        myFile.close()

    def startWork(self):
        """
            控制爬虫运行
        """
        # 循环执行，直到 self.switch == False
        while self.switch:
            # 用户确定爬取的次数
            self.loadPage()
            command = input("如果继续爬取，请按回车（退出输入quit)")
            if command == "quit":
                # 如果停止爬取，则输入 quit
                self.switch = False
            # 每次循环，page页码自增1
            self.page += 1
        print("爬取结束！")


if __name__ == '__main__':
    # 定义一个Spider对象
    qiushiSpider = Spider()
    qiushiSpider.startWork()

最终会在本地添加一个 qiushi.txt 的文件，结果如下：