使用urllib进行网页爬取

# coding=gbk
# 抓取开奖号码
# url：http://datachart.500.com/dlt/zoushi/jbzs_foreback.shtml
'''
对网页逐行迭代，找到目标行时在往下读一行，两行提取一期开奖号码
'''
import re
from urllib import urlopen

# winnumbers = {}  # 期数：中奖号码
f = open('中奖号码.txt','w')
webpage = urlopen('http://datachart.500.com/dlt/zoushi/inc/jbzs_foreback.php')

for line in webpage:
    if re.search(r'^<td align="center">[\d\s]*</td>$',line.strip()):
        index = line.split('>')[1].split()[0]
        nextline = webpage.readline()
        numbers = re.findall(r'<td class="chartBall0[1,2]">([\d]+)',nextline)
        # winnumbers[index] = numbers
        print index,numbers
        f.write(index)
        for i in range(len(numbers)):
            f.write('\t')
            f.write(numbers[i])
        f.write('\n')
f.close()

结果如下：

首先用Chrome打开网页，利用审查元素功能找到真正的数据来源 http://datachart.500.com/dlt/zoushi/inc/jbzs_foreback.php

然后逐行迭代网页内容，利用正则表达式'<td align="center">[\d\s]*</td>'定位开奖期号：

然后使用 numbers = re.findall(r'<td class="chartBall0[1,2]">[\d]+',nextline) 找到开奖号码，对字符串处理一下得到开奖号码，存入列表。

这个时候 打印出来、存入字典、存入文件都可以。

这个方法不太好，可以直接把整个网页弄下来在本地处理。那样的话，写的正则就要复杂一点。鄙人刚刚学习正则，正在尝试中。

######################   10月21日的分割线  ######################

按照上次最后提供的思路，把整个网页提取下来进行正则分析，代码如下

# coding=gbk
# 抓取开奖号码
# url：http://datachart.500.com/dlt/zoushi/jbzs_foreback.shtml
'''
把整个网页爬取下来，然后使用re.findall定位目标数据
'''
import re
from urllib import urlopen

# winnumbers = {}  # 期数：中奖号码
webpage = urlopen('http://datachart.500.com/dlt/zoushi/inc/jbzs_foreback.php')
text = webpage.read()
pattern = re.compile(r'<tr>\s*<td align="center">([\d\s]{6,})</td>\s*((?:<td class="(?:yl01|yl02|chartBall01|chartBall02)">\d+</td>){47})\s+</tr>')
local = re.findall(pattern,text)
for item in local:
    numbers = re.findall(r'<td class="chartBall0[1,2]">([\d]+)</td>',item[1])
    print item[0].strip(), numbers
    # winnumbers[item[0]] = numbers

重点在于正则表达式的编写，我们需要一个正则表达式能够定位所有形如上图结构的html代码段。

最后测试得到了这样一段正则：

<tr>\s*<td align="center">([\d\s]{6,})</td>\s*((?:<td class="(?:yl01|yl02|chartBall01|chartBall02)">\d+</td>){47})\s+</tr>

它可以匹配到目标代码，编写遇到主要的困难在于提取，有两点很关键：

1. 小括号表示要提取的内容，所以我们把[\d\s]{6,}括起来
2. 但是有些小括号只表示整体，并非要提取的内容，这个时候就要在相应的表达式前面加上"?:",表示不提取这个括号中的内容

关于正则表达式中的括号，我们可以简单总结一下：

• 小括号：代表一个整体,例如(abc)，它仅匹配字符串“abc”
• 中括号：表示取其中之一，例如[abc]，它匹配“a”、“b”、“c”
• 大括号：表示重复次数，例如\d{1,3}，它匹配一位到三位的数字