Python 爬虫从入门到进阶之路（九）

之前的文章我们介绍了一下 Python 中的正则表达式和与爬虫正则相关的 re 模块，本章我们就利用正则表达式和 re 模块来做一个案例，爬取《糗事百科》的糗事并存储到本地。

我们要爬取的网站链接是 https://www.qiushibaike.com/text/page/1/ 。

我们要爬取的是里面的糗事，在之前的文章中我们已经可以爬取整个 url 链接里的 html 内容，那么我们就可以根据爬取到的 html 代码，再通过 re 模块匹配我们想要的内容即可。

我们通过调用开发者工具检查 HTML 元素发现我们想要的内容在  <div class="content"> ...... </div>  内，根据这个我们可以写出代码如下：

 import urllib.request
 import re
 import ssl

 # 取消代理验证
 ssl._create_default_https_context = ssl._create_unverified_context

 url = "https://www.qiushibaike.com/text/page/1/"
 # User-Agent头
 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
 headers = {'User-Agent': user_agent}
 req = urllib.request.Request(url, headers=headers)
 response = urllib.request.urlopen(req)
 # 获取每页的HTML源码字符串
 html = response.read().decode('utf-8')
 # 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容
 # re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配
 # 如果加上re.S 则是将所有的字符串将一个整体进行匹配
 pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
 # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表
 content_list = pattern.findall(html)
 # 调用dealPage() 处理糗事里的杂七杂八
 print(content_list)

最终我们打印结果如下：

从上面的打印结果可以看出我们已经拿到了我们想要的数据，并且存储在了一个列表里，那么接下来我们只需要再处理一下列表，叫列表内杂七杂八的内容，如上图中的 \n <span>标签等去掉，就是我们想要的内容了。

 for item in item_list:
     item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace("\n", "")
     print(item)
     self.writePage(item)

上面的代码中 item_list 即为我们上面所获取到的 content_list 列表，通过对列表的内容分析，我们发现有 <span> ，<span class="contentForAll">查看全文，</span>，<br/>，\n 等多余内容，我们通过 replace 方法将其转为空，剩下的就是我们想要的内容了，接下来就是存储到本地即可了。

上面就可以实现一个获取 糗事百科 的糗事的简单爬虫，但是只能爬取单个页面的内容，通过分析 url 我们发现 https://www.qiushibaike.com/text/page/1/ 中最后的 1 即为页码，我们就可以根据这个页码逐一爬取更多页面的内容，最终的代码如下：

 import urllib.request
 import re
 import ssl

 # 取消代理验证
 ssl._create_default_https_context = ssl._create_unverified_context

 class Spider:
     def __init__(self):
         # 初始化起始页位置
         self.page = 1
         # 爬取开关，如果为True继续爬取
         self.switch = True

     def loadPage(self):
         """
            作用：打开页面
         """
         url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/"
         # User-Agent头
         user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
         headers = {'User-Agent': user_agent}
         req = urllib.request.Request(url, headers=headers)
         response = urllib.request.urlopen(req)
         # 获取每页的HTML源码字符串
         html = response.read().decode('utf-8')
         # 创建正则表达式规则对象，匹配每页里的糗事内容，re.S 表示匹配全部字符串内容
         # re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配
         # 如果加上re.S 则是将所有的字符串将一个整体进行匹配
         pattern = re.compile(r'<div.*?class="content">(.*?)</div>', re.S)
         # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有糗事的列表
         content_list = pattern.findall(html)
         # 调用dealPage() 处理糗事里的杂七杂八
         self.dealPage(content_list)

     def dealPage(self, item_list):
         """
             @brief 处理得到的糗事列表
             @param item_list 得到的糗事列表
             @param page 处理第几页
         """
         for item in item_list:
             item = item.replace('<span>', "").replace('<span class="contentForAll">查看全文', "").replace("</span>","").replace("<br/>", "").replace("\n", "")
             self.writePage(item)

     def writePage(self, text):
         """
             @brief 将数据追加写进文件中
             @param text 文件内容
         """
         myFile = open("./duanzi.txt", 'a')  # 追加形式打开文件
         myFile.write(text + "\n\n")
         myFile.close()

     def startWork(self):
         """
             控制爬虫运行
         """
         # 循环执行，直到 self.switch == False
         while self.switch:
             # 用户确定爬取的次数
             self.loadPage()
             command = input("如果继续爬取，请按回车（退出输入quit)")
             if command == "quit":
                 # 如果停止爬取，则输入 quit
                 self.switch = False
             # 每次循环，page页码自增1
             self.page += 1
         print("爬取结束！")

 if __name__ == '__main__':
     # 定义一个Spider对象
     qiushiSpider = Spider()
     qiushiSpider.startWork()

最终会在本地添加一个 qiushi.txt 的文件，结果如下：