本节内容:
python正则抓取网站内容
一个简单的python爬虫程序,用来抓取一个成语网站的内容。
实现思路:
1、一个在线成语网站
2、查看网页结构,定义正则式
成语的标签特点,要抓的成语都在<a>标签中,如:<a href="/cy0/93.html">安如磐石</a>,成语事实上就是一个瞄文本,不同成语指向的链接不同,其实也就"/cy0/93.html"中的数字不同,所以正则式里匹配两次数字就行了,定义正则式 reg = "<a href="/cy(d+)/(d+).html">(.*?)</a>"。
3,实现代码:
复制代码 代码示例:
#!/usr/bin/python
#anthor jiqunpeng
#time 20121124
#site: www.jb200.com
#
import urllib
import re
def getHtml(url): #从URL中读取html内容
page = urllib.urlopen(url)
html = page.read()
page.close()
return html
def getDictionary(html): #匹配成语
reg = "<a href="/cy(d+)/(d+).html">(.*?)</a>"
dicList = re.compile(reg).findall(html)
return dicList
def getItemSite():#手工把每个字母开头的页面数统计下来
itemSite = {}#申明为空字典
itemSite["A"] = 3
itemSite["B"] = 21
itemSite["C"] = 19
itemSite["D"] = 18
itemSite["E"] = 2
itemSite["F"] = 14
itemSite["G"] = 13
itemSite["H"] = 15
itemSite["J"] = 23
itemSite["K"] = 6
itemSite["L"] = 15
itemSite["M"] = 12
itemSite["N"] = 5
itemSite["O"] = 1
itemSite["P"] = 6
itemSite["Q"] = 16
itemSite["R"] = 8
itemSite["S"] = 26
itemSite["T"] = 12
itemSite["W"] = 13
itemSite["X"] = 16
itemSite["Y"] = 35
itemSite["A"] = 21
return itemSite
if __name__== "__main__":
dicFile = open("dic.txt","w+")#保存成语的文件
domainsite = "http://chengyu.itlearner.com/list/"
itemSite = getItemSite()
for key,values in itemSite.items():
for index in range(1,values+1):
site = key +"_"+str(index)+".html"
dictionary = getDictionary(getHtml(domainsite+site))
for dic in dictionary:
dicFile.write(dic[2]+"@@CYn")#标记为成语,分词时使用
print key+'字母成语抓取完毕'
dicFile.close()
print '全部成语抓取完毕'
代码说明:
把成语保存在了txt文本中,还添加了一个后缀标签。
注意,设计正则表达式时留意下空白字符的匹配,比如说要解析:
复制代码 代码示例:
<div class="avatar_name">
<a href="/u/kkun/" title="kkun">kkun</a>
</div>
看不出第一行与第二行的空白字符是什么,可以index = html.find('avatar_name'),html[4677:4677+100]查看非空白字符。
就是这些了,用来学习python爬虫编程还是很有用的。