本文实例讲述了Python爬虫实现网页信息抓取功能。分享给大家供大家参考，具体如下：
首先实现关于网页解析、读取等操作我们要用到以下几个模块
|
1
2
3
|
import urllibimport urllib2import re |
我们可以尝试一下用readline方法读某个网站，比如说百度
|
1
2
3
4
5
|
def test(): f=urllib.urlopen('http://www.baidu.com') while True: firstLine=f.readline() print firstLine |
下面我们说一下如何实现网页信息的抓取，比如说百度贴吧
我们大概要做几件事情：
首先获取网页及其代码，这里我们要实现多页，即其网址会改变，我们传递一个页数
|
1
2
3
4
5
6
7
8
9
10
|
def getPage(self,pageNum): try: url=self.baseURL+self.seeLZ+'&pn='+str(pageNum) #创建request对象 request=urllib2.Request(url) response=urllib2.urlopen(request) #print 'URL:'+url return response.read() except Exception,e: print e |
之后我们要获取小说内容，这里咱们分为标题和正文。标题每页都有，所以我们获取一次就好了。
我们可以点击某网站，按f12查看他的标题标签是如何构造的，比如说百度贴吧是<title>…………
那我们就匹配reg=re.compile(r'<title>(.*?)。')来抓取这个信息
标题抓取完我们要开始抓去正文了，我们知道正文会有很多段，所以我们要循环的去抓取整个items，这里我们注意
对于文本的读写操作，一定要放在循环外。同时加入一些去除超链接、<br>等机制
最后，我们在主函数调用即可
完整代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
|
# -*- coding:utf-8 -*-import sysreload(sys)sys.setdefaultencoding('utf8')#爬虫之网页信息抓取#需要的函数方法：urllib,re,urllib2import urllibimport urllib2import re#测试函数->读取#def test():# f=urllib.urlopen('http://www.baidu.com')# while True:# firstLine=f.readline()# print firstLine#针对于百度贴吧获取前十页楼主小说文本内容class BDTB: def __init__(self,baseUrl,seeLZ): #成员变量 self.baseURL=baseUrl self.seeLZ='?see_lz='+str(seeLZ) #获取该页帖子的代码 def getPage(self,pageNum): try: url=self.baseURL+self.seeLZ+'&pn='+str(pageNum) #创建request对象 request=urllib2.Request(url) response=urllib2.urlopen(request) #print 'URL:'+url return response.read() except Exception,e: print e #匹配标题 def Title(self): html=self.getPage(1) #compile提高正则匹配效率 reg=re.compile(r'<title>(.*?)。') #返回list列表 items=re.findall(reg,html) f=open('output.txt','w+') item=('').join(items) f.write('\t\t\t\t\t'+item.encode('gbk')) f.close() #匹配正文 def Text(self,pageNum): html=self.getPage(pageNum) #compile提高正则匹配效率 reg=re.compile(r'"d_post_content j_d_post_content ">(.*?)</div>') #返回list列表 items=re.findall(reg,html) f=open('output.txt','a+') #[1:]切片，第一个元素不需要，去掉。 for i in items[1:]: #超链接去除 removeAddr=re.compile('<a.*?>|</a>') #用""替换 i=re.sub(removeAddr,"",i) #<br>去除 i=i.replace('<br>','') f.write('\n\n'+i.encode('gbk')) f.close()#调用入口baseURL='http://tieba.baidu.com/p/4638659116'bdtb=BDTB(baseURL,1)print '爬虫正在启动....'.encode('gbk')#多页bdtb.Title()print '抓取标题完毕！'.encode('gbk')for i in range(1,11): print '正在抓取第%02d页'.encode('gbk')%i bdtb.Text(i)print '抓取正文完毕!'.encode('gbk') |
希望本文所述对大家Python程序设计有所帮助。
