Python：网页的抓取、过滤和保存

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)