文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

Python:网页的抓取、过滤和保存

2023-01-31 06:39

关注

Python:网页的抓取、过滤和保存

环境:Python 2.7.3,win10

一、抓取

目的地是ZOL笑话大全
地址:http://xiaohua.zol.com.cn/new/2.html
网址的组成要灵活点,这个网站的地址后面是可变的,比如3.html、4.html
所以这样搞:url=”http://xiaohua.zol.com.cn/new/%d.html”%(page)
page是动态赋值的

导包:import urllib
Python的urllib和urllib2模块都是做请求URL相关操作的。
它们最显著的差异为:
urllib2可以接受一个Request对象,并以此可以来设置一个URL的headers,但是urllib只接收一个URL。
urllib模块可以提供进行urlencode的方法,该方法用于GET查询字符串的生成,urllib2的不具有这样的功能.
python 2.7.x提供了urllib与urllib2,鉴于上述异同两个库通常搭配使用。

抓取:urllib.urlopen(url).read()
因为这个网站不需要什么东西就可以爬取,所以就这么简单一句话,复杂点的请参考这个:http://blog.csdn.net/u013632854/article/details/52970775

urllib.urlopen(url)是打开一个url的方法,返回一个文件对象,然后可以进行类似文件对象的操作,通过read()方法读取内容

二、过滤
过滤就离不开正则表达式,这是一个谁也绕不开的恶梦
参考这个:http://www.ziqiangxuetang.com/python/python-reg-expressions.html)

这里分为两部分

先import re
re是负责正则表达式的

1、过滤

list=re.findall(r'<div class="summary-text">(.*?)</div>',html,re.I|re.M|re.S)

这个方法是查找字符串内所有匹配的内容,并以列表的形式返回
findall(正则表达式,要处理的字符串,可选内容)

描述
如下:
re.I
使匹配对大小写不敏感
re.L
做本地化识别(locale-aware)匹配
re.M
多行匹配,影响 ^ 和 $
re.S
使 . 匹配包括换行在内的所有字符
re.U
根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B.
re.X
该标志通过给予你更灵活的格式以便你将正则表达式写得更.decode

正则处理的方法二:

    #过滤
    #reg=r'<div class="summary-text">(.*?)</div>'
    #方法1,需要转换编码
    #re是python自带的处理正则表达式的包
    #获取pattern对象来处理字符串
    #pattern=re.compile(reg)
    #这个是查找此字符串中所有符合条件的内容并返回一个列表
    #list=pattern.findall(html)
    #for item in list:
    #网页是gbk的,查找到之后的内容也是gbk的,要解码
    #   print item.decode('gbk')
    #返回的内容为空,应该是匹配不成功,可以看下页面返回的是否与你匹配的一致
    #return pattern.findall(html)
    #转码的方式
    #print unicode(item,'gbk')
    #print pattern.findall(html.decode('gbk').encode('utf-8'))

2、替换

list[index]=re.sub(r'<p>(.*?)</p>',"",list[index])

因为技术关系,没能一次性过滤或者替换掉所有目标内容,唯有对数据进行多次处理,汗
此方法是替换掉匹配的内容,sub(正则表达式,要替换成什么内容,待处理的字符串)
要替换成什么内容这个我填的是空字符串

list=re.findall(r'<div class="summary-text">(.*?)</div>',html,re.I|re.M|re.S)
        #过滤
        for index in range(len(list)):
            list[index]=re.sub(r'<p>(.*?)</p>',"",list[index])
            list[index]=re.sub(r'<p>',"",list[index])
            list[index]=re.sub(r'</p>',"",list[index])
            list[index]=re.sub(r'\s*',"",list[index])+'\r'
            print list[index]
        return list

三、保存
也就两句话,打开一个文件,写进去

txtFile=open('PaChongFile.txt','w')
txtFile.writelines(list)

参考这个http://www.ziqiangxuetang.com/python/python-files-io.html

总体代码如下:

_author_='iamzhuwh'
#coding=utf-8

import urllib
import re

class PaChong:

    #初始化
    def __init__(self,tagetUrl):
        global txtFile
        self.tagetUrl=tagetUrl
        txtFile=open('PaChongFile.txt','w')

    #输入网址,返回内容列表
    def getHtmlContent(self,html):
        #爬取页面的指定内容
        list=re.findall(r'<div class="summary-text">(.*?)</div>',html,re.I|re.M|re.S)
        #过滤
        for index in range(len(list)):
            list[index]=re.sub(r'<p>(.*?)</p>',"",list[index])
            list[index]=re.sub(r'<p>',"",list[index])
            list[index]=re.sub(r'</p>',"",list[index])
            list[index]=re.sub(r'\s*',"",list[index])+'\r'
            print list[index]
        return list

    #获取
    def getHtml(self,url):
        return urllib.urlopen(url).read()

    #获取url
    def getHtmlUrl(self,html):
        reg='<div.*?class="summary-text">.*?</div>'
        reg_sub=r'<p></p>'
        reg_sub2=r'<p>.*?</p>'
        list=re.findall(reg,html,re.I|re.M|re.S)
        print ""

    def saveToFile(self,list):
        try:
            txtFile.writelines(list)
        except IOError as err:
            print('Error:'+str(err))
        #finally:
        #   txtFile.close()

    #url递归
    def urlRecursion(self,url):
        print '待续'

    def start(self,pageCount):
        page=0
        for index in range(pageCount):
            if index==0:continue
            page=index
            url="http://xiaohua.zol.com.cn/new/%d.html"%(page)
            self.saveToFile(self.getHtmlContent(self.getHtml(url)))

spider=PaChong(None)
spider.start(50)
阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯