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)