一. 前言

現在擁有了正則表達式這把神兵利器，我們就可以進行對爬取到的全部網頁源代碼進行篩選了。

下面我們一起嘗試一下爬取內涵段子網站： http://www.neihan8.com/article/list_5_1.html

打開之后，不難看到里面一個一個灰常有內涵的段子，當你進行翻頁的時候，注意url地址的變化：

第一頁url: http: //www.neihan8.com/article/list_5_1 .html

第二頁url: http: //www.neihan8.com/article/list_5_2 .html

第三頁url: http: //www.neihan8.com/article/list_5_3 .html

第四頁url: http: //www.neihan8.com/article/list_5_4 .html

這樣我們的url規律找到了，要想爬取所有的段子，只需要修改一個參數即可。 下面我們就開始一步一步將所有的段子爬取下來吧。

二. 第一步：獲取數據

按照我們之前的用法，我們需要寫一個加載頁面的方法。

這里我們統一定義一個類，將url請求作為一個成員方法處理。

我們創建一個文件，叫duanzi_spider.py

然后定義一個Spider類，并且添加一個加載頁面的成員方法

class Duanzi_spider():def __init__(self):self.url = "http://www.neihan8.com/article/list_5_%s.html"self.headers = {"User_Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleW\ebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36","Accept-Encoding":None,"Accept-Language": "zh-CN,zh;q=0.8"}def load_page(self,url):'''可以復用的頁面請求方法'''response = requests.get(url,timeout=10,headers=self.headers)if response.status_code==200:print(response.request.headers)return response.content.decode("gbk")else:raise ValueError("status_code is:",response.status_code)

程序正常執行的話，我們會在屏幕上打印了內涵段子第一頁的全部html代碼。 但是我們發現，html中的中文部分顯示的可能是亂碼 。
注意 ：對于每個網站對中文的編碼各自不同，所以html.decode(‘gbk’)的寫法并不是通用寫法，根據網站的編碼而異

三. 第二步：篩選數據

接下來我們已經得到了整個頁面的數據。 但是，很多內容我們并不關心，所以下一步我們需要進行篩選。 如何篩選，就用到了上一節講述的正則表達式。首先：

import re

然后, 在我們得到的response中進行篩選匹配。

我們需要一個匹配規則:

我們可以打開內涵段子的網頁，鼠標點擊右鍵 " 查看源代碼 " 你會發現每條段子的內容大致如下

<a href="/article/44959.html"><b>回家奔喪</b></a></h4><div class="f18 mb20">一老太太跋山涉水來到部隊，看望她的孫子，<br />警衛問：“她找誰？”老太說：“找xx，”警衛打完電話說：<br />“xx三天前說她他奶奶過世，回家奔喪去了，奔喪去了，去了。。”</div>

def get_content(self,html):'''  根據網頁內容，同時匹配標題和段子內容'''pattern = re.compile(r'<a\shref="/article/\d+\.html">(.*?)</a>.*?<div\sclass="f18 mb20">(.*?)</div>', re.S)t = pattern.findall(html)result = []for i in t:temp = []for j in i:j = re.sub(r"[<b>|</b>|<br />|<br>|<p>|</p>|\\u3000|\\r\\n|\s]","",j)j = j.replace("&ldqo;",'"').replace("&helli;","...").replace("&dqo;",'"').strip()# j = re.sub(r"[&ldqo;|&dqo;]","\"",j)?# j = re.sub(r"…","...",j)temp.append(j)print(temp)result.append(temp)return result

這里需要注意一個是re.S是正則表達式中匹配的一個參數。

如果 沒有re.S 則是 只匹配一行 有沒有符合規則的字符串，如果沒有則下一行重新匹配。

如果 加上re.S 則是將 所有的字符串 將一個整體進行匹配，findall 將所有匹配到的結果封裝到一個list中。

ok程序寫到這，我們再一次執行一下。

Power@PowerMac ~$ python duanzi_spider.py

我們第一頁的全部段子，不包含其他信息全部的打印了出來。
你會發現段子中有很多 < p> , </ p> 很是不舒服，實際上這個是html的一種段落的標簽。
在瀏覽器上看不出來，但是如果按照文本打印會有

出現，那么我們只需要把我們不希望的內容去掉即可了。

我們可以如下簡單修改一下 get_content().

j = re.sub(r"[< b>|</ b>|< br />|< br>|< p>|</ p>|\u3000|\r\n|\s]","",j)
j = j.replace("&ldqo;",’"’).replace("&helli;","…").replace("&dqo;",’"’).strip()

四. 第三步：保存數據

我們可以將所有的段子存放在文件中。比如，我們可以將得到的每個item不是打印出來，而是存放在一個叫 duanzi.txt 的文件中也可以。

def save_content(self,content):myFile = open("./duanzi.txt", 'a')for temp in content:myFile.write("\n"+temp[0]+"\n"+temp[1]+"\n")myFile.write("-----------------------------------------------------")myFile.close()

然后我們實現保存的方法 ，當前頁面的所有段子就存在了本地的duanzi.txt文件中。

五. 第四步：實現循環抓取

接下來我們就通過參數的傳遞對page進行疊加來遍歷 內涵段子吧的全部段子內容。

同時也通過這個run方法實現整個程序的主要邏輯

def run(self):i = 1while True:html = self.load_page(self.url%i)result = self.get_content(html)print ("按回車繼續...")print ("輸入 quit 退出")command = input()if (command == "quit"):breaki+=1

最后，我們執行我們的代碼，完成后查看當前路徑下的duanzi.txt文件，里面已經有了我們要的內涵段子。

以上便是一個非常精簡使用的小爬蟲程序，使用起來很是方便，如果想要爬取其他網站的信息，只需要修改其中某些參數和一些細節就行了。