Python（五）编程小实例

Python（五）编程小实例

抓取网页信息，并生成txt文件内容！

Python抓取网页技能——Python抓取网页就是我们常看见的网络爬虫，我们今天所要用到的就是我们Python中自带的模块，用这些模块将网页内容爬取下来，并生成一个txt文件。

（一）实例思路：

我们所需要用到的模块：

urllib2—urllib2是Python的一个获取URLs(Uniform Resource Locators)的组件。他以urlopen函数的形式提供了一个非常简单的接口，这是具有利用不同协议获取URLs的能力，他同样提供了一个比较复杂的接口来处理一般情况，例如：基础验证，cookies,代理和其他。

 import urllib2

 response=urllib2.urlopen('http://tieba.baidu.com/p/4923127538?see_lz=1')

 html = response.read()

re—Python的re模块就是我们开始想知道的大名鼎鼎的正则表达式，正则表达式(可以称为REs，regex，regex pattens)是一个小巧的，高度专业化的编程语言，它内嵌于Python开发语言中，可通过re模块使用。正则表达式的pattern可以被编译成一系列的字节码，然后用C编写的引擎执行。

 import re

 m = re.search ('ab+','asdfabbbbb')

 print m.group()

 Python 2.7.13 (v2.7.13:a06454b1afa1, Dec 17 2016, 20:53:40) [MSC v.1500 64 bit (AMD64)] on win32
 Type "copyright", "credits" or "license()" for more information.
 >>>
 ========================= RESTART: H:\Python27\1.py =========================
 abbbbb
 >>> 

re—正则表达式我们本节就不去重点讲了，基础同学们可以去看看正则表达式的详细内容：http://www.runoob.com/python/python-reg-expressions.html。在我的博客中有详细的正则表达式（字符）详解！

那么接下来我们开始我们的小实例——爬取百度贴吧小说！

首先我们要明确一下我们项目的思路:

　　　　　　　　　　　　　　　　# -*- coding: utf-8 -*-
　　　　　　　　　　　　　　　　#模块：urllib2, re。
　　　　　　　　　　　　　　　　#正则表达式：------想要的内容 findall(正则表达式，源码)
　　　　　　　　　　　　　　　　#百度贴吧爬取内容：1.获取源码
　　　　　　　　　　　　　　　　# 2.解析超链接
　　　　　　　　　　　　　　　　# 3.获取标题
　　　　　　　　　　　　　　　　# 4.获取内容
　　　　　　　　　　　　　　　　# 5.发送命令，调用主函数

我们在进行项目时要将整体突出程序化，那么我们开始第一步的实施调取Python中自带的模块：

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

 import urllib2
 import re

将我们所需的模块插入后，我们开始项目的实施：

 class BDTB:
     baseUrl = 'http://tieba.baidu.com/p/4923127538?see_lz=1'
     #获取源代码
     def getPage(self,pageNum):
         try:
             url = self.baseUrl + str(pageNum)
             request = urllib2.Request(url)
             response = urllib2.urlopen(request).read()
             #print response
             return response
         except Exception,e:
             print e

上述代码是我们要获取的网页源码信息，因为我们需要多方面的爬取我们想要的内容，所以我们创建一个类来实现其中所有函数的功能。

 baseUrl = 'http://tieba.baidu.com/p/4923127538?see_lz=1'

baseUrl就是我们想要获取的网址！

  def getPage(self,pageNum):
         try:
             url = self.baseUrl + str(pageNum)
             request = urllib2.Request(url)
             response = urllib2.urlopen(request).read()
             #print response
             return response
         except Exception,e:
             print e

网址获取到了之后，我们要定义一个函数，来获取我们想要获取的网页信息，在函数中我们定义了两个变量，这两个变量是我们正则匹配时要需要用到的！

我们在其中所用到的:

 try:
     语句1
     语句2
     .
     .
     语句N
 except Exception e:
     print e

这样的语句就是判断我们的程序有没有错误，看我们是否获取到我们想要的信息，如果没有获取到就给编译器返回一个e值！

接下来我们要使用我们的正则表达式来获取其中我们想要的内容了！

 def Title(self,pageNum):
         html = self.getPage(pageNum)
         reg = re.compile(r'title="这(.*?)"')
         items = re.findall(reg,html)
         print items[0]
         for item in items:
             f = open('text1.txt','w')
             f.write('标题'+'\t'+item)
             f.close()
         return items

这一段定义的函数是将我们所获取到的网页信息，匹配到我们想要的位置，然后截取下来！并且将网页匹配的信息生成一个text1.txt的文本文件，‘w’就是写入信息！

  reg = re.compile(r'title="这(.*?)"')

这里我们就用到了re模块中的包含一个重要函数是compile(pattern [, flags]) ，该函数根据包含的正则表达式的字符串创建模式对象。

参数描述:

pattern匹配的正则表达式string要匹配的字符串。

flags标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

 >>> import re
 >>> repp = 'a,b,,,,c d'
 >>> reOB = re.compile('[, ]+')
 >>> reOB.split(some_text)
 ['a', 'b', 'c', 'd']

接下来我们再看另一个re模块中的函数python 正则表达式 re findall 方法能够以列表的形式返回能匹配的子串。

re.findall(pattern, string[, flags]):

 items = re.findall(reg,html)

我们来看一下这个函数的实例:

 >>> import re
 >>> p = re.compile(r'\d+')
 >>> print p.findall('one1two2three3four4')
 ['', '', '', '']
 >>> 

将我们我所要查询到的数字以列表的形式输出出来！

 for item in items:
             f = open('text1.txt','w')
             f.write('标题'+'\t'+item)
             f.close()

在这段代码中，我们用到了Python文件写入，这个地方就是生成我们txt文本文件的地方，同学门可以找找详细的资料来研究一下，这里是对于想保存长期看的同学有很大的帮助哦！在这里我就不详细讲解了！

我们继续我们的项目：

 def Text(self,pageNum):
         html = self.getPage(pageNum)
         reg = re.compile(r'class="d_post_content j_d_post_content ">            (.*?)</div><br> ',re.S)
         req = re.findall(reg,html)
         #print req[0]
         for i in req:
             removeAddr = re.compile('<a.*?>|</a>')
             removeaddr = re.compile('<img.*?>')
             removeadd = re.compile('http.*?.html')
             i = re.sub(removeAddr,'',i)
             i = re.sub(removeaddr,'',i)
             i = re.sub(removeadd,'',i)
             i = i.replace('<br>','')
             print i
             f = open('text1.txt','a')
             f.write('\n\n'+i)
             f.close()

此处的代码就是我们要完成我们真正所需要的内容了，这里是完整的将我们所需要的小说爬取到手的，这里面用的正则匹配就是我们的贪婪匹配模式了！

  def Text(self,pageNum):
         html = self.getPage(pageNum)
         reg = re.compile(r'class="d_post_content j_d_post_content ">            (.*?)</div><br> ',re.S)
         req = re.findall(reg,html)

那么这一部分还是我们在上一匹配到的内容中，将class标签中的全部文字内容提取出来，但是其中我们会看到包含了很多img http等很多小标签，所以我们还需要将这些内容利用正则匹配中的sub函数将他们装换为空“ ”！

 for i in req:
             removeAddr = re.compile('<a.*?>|</a>')
             removeaddr = re.compile('<img.*?>')
             removeadd = re.compile('http.*?.html')
             i = re.sub(removeAddr,'',i)
             i = re.sub(removeaddr,'',i)
             i = re.sub(removeadd,'',i)
             i = i.replace('<br>','')
             print i

这一串代码就是我们想要把其中像re.compile('<a.*?>|</a>')这样的内容获取到，然后再利用我们的sub函数将这些获取到的内容装换为“ ”空白！然后在输出到 i 这个列表中！最后将 i 输出！

我们在结尾处需要做一个程序运行无误的判断，那么我们就需要用到在编译器中给我们返回我们程序运行的开始！文件的生成结果：

 bdtb = BDTB()
 print '爬虫正在启动.....'
 try:
     for i in range(1,4):
         print '正在爬取第%s小说' %(i)
         bdtb.Title(1)
         bdtb.Text(1)
 except Exception,e:
     print e

在这里我们要调用我们所创建的类，在这一个try中我们看到了一个range的函数，这个函数就是如果你需要一个数值序列，使用内建函数range() 会很方便，它产生等差级数序列。利用这个函数的意思就是我们要获取小说的全部内容！最后我们生成一个text1.txt的文件

最后附上我们实现的整体代码：

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

 import urllib2
 import re

 class BDTB:
     baseUrl = 'http://tieba.baidu.com/p/4923127538?see_lz=1'
     #获取源代码
     def getPage(self,pageNum):
         try:
             url = self.baseUrl + str(pageNum)
             request = urllib2.Request(url)
             response = urllib2.urlopen(request).read()
             #print response
             return response
         except Exception,e:
             print e
     #匹配内容
     def Title(self,pageNum):
         html = self.getPage(pageNum)
         reg = re.compile(r'title="这(.*?)"')
         items = re.findall(reg,html)
         print items[0]
         for item in items:
             f = open('text1.txt','w')
             f.write('标题'+'\t'+item)
             f.close()
         return items
     def Text(self,pageNum):
         html = self.getPage(pageNum)
         reg = re.compile(r'class="d_post_content j_d_post_content ">            (.*?)</div><br> ',re.S)
         req = re.findall(reg,html)
         #print req[0]
         for i in req:
             removeAddr = re.compile('<a.*?>|</a>')
             removeaddr = re.compile('<img.*?>')
             removeadd = re.compile('http.*?.html')
             i = re.sub(removeAddr,'',i)
             i = re.sub(removeaddr,'',i)
             i = re.sub(removeadd,'',i)
             i = i.replace('<br>','')
             print i
             f = open('text1.txt','a')
             f.write('\n\n'+i)
             f.close()

 bdtb = BDTB()
 print '爬虫正在启动。。。。'
 try:
     for i in range(1,4):
         print '正在爬取第%s小说' %(i)
         bdtb.Title(1)
         bdtb.Text(1)
 except Exception,e:
     print e

运行后，在你的Pyhton文件中会生成一个text1.txt的文本文件，你就可以打开查看你想看的小说了哦！加油吧，同学们!