現(xiàn)在擁有了正則表達式這把神兵利器，我們就可以進行對爬取到的全部網(wǎng)頁源代碼進行篩選了。

下面我們一起嘗試一下爬取內(nèi)涵段子網(wǎng)站：

http://www.neihan8.com/article/list_5_1.html

打開之后，不難看出里面一個一個非常有內(nèi)涵的段子，當你進行翻頁的時候，注意url地址的變化：

• 第一頁url: http: //www.neihan8.com/article/list_5_1 .html
• 第二頁url: http: //www.neihan8.com/article/list_5_2 .html
• 第三頁url: http: //www.neihan8.com/article/list_5_3 .html
• 第四頁url: http: //www.neihan8.com/article/list_5_4 .html

這樣我們的url規(guī)律找到了，要想爬取所有的段子，只需要修改一個參數(shù)即可。

我們就開始一步一步將所有的段子爬取下來吧。

第一步：獲取數(shù)據(jù)

1. 按照我們之前的用法，我們需要一個加載頁面的方法。

這里我們統(tǒng)一定義一個類，將url請求作為一個成員方法處理。

我們創(chuàng)建了一個文件，叫duanzi_spider.py

然后定義一個Spider類，并且添加一個加載頁面的成員方法。

            
import urllib2
class Spider:
  """
    內(nèi)涵段子爬蟲類
  """
  def loadPage(self, page):
    """
      @brief 定義一個url請求網(wǎng)頁的方法
      @param page需要請求的第幾頁
      @returns 返回的頁面url
    """
    url = "http://www.neihan8.com/article/list_5_" + str(page)+ ".html"
    #user-Agent頭
    user_agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0"
    headers = {"User-Agent":user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    print html
          

以上的loadPage的實現(xiàn)思想想必大家都應該熟悉了，需要注意定義python類的成員方法需要額外添加一個參數(shù)self.

2.寫main函數(shù)測試一個loadPage方法

            
if __name__ == "__main__":
  """
    =====================
      內(nèi)涵段子小爬蟲
    =====================
  """
  print("請按下回車開始")
  raw_input()
  
  #定義一個Spider對象
  mySpider = Spider()
  mySpider.loadPage(1)
          

程序正常執(zhí)行的話，我們會在皮姆上打印了內(nèi)涵段子第一頁的全部html代碼。但是我們發(fā)現(xiàn)，html中的中文部分顯示的可能是亂碼。

那么我們需要簡單的將得到的網(wǎng)頁源代碼處理一下：

            
def loadPage(self, page):
  """
    @bridf 定義一個url請求網(wǎng)頁的方法
    @param page 需要請求的第幾頁
    @returns 返回的頁面html
  """
  url = "http://www.neihan8.com/article/list_5_"+str(page)+".html"
  #user-agent頭
  user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0"
  headers = {"User-Agent":user-agent}
  req = urllib2.Request(url, headers = headers)
  response = urllib2.urlopen(req)
  html = response.read()
  gbk_html = html.decode("gbk").encode("utf-8")
  return gbk_html
          

注意：對于每個網(wǎng)站對中文的編碼各自不同，所以html.decode("gbk")的寫法并不是通用的，根據(jù)網(wǎng)站的編碼而異。

第二步：篩選數(shù)據(jù)

接下來我們已經(jīng)得到了整個頁面的數(shù)據(jù)。但是，很多內(nèi)容我們并不關心，所以下一步我們需要篩選數(shù)據(jù)。如何篩選，就用到了上一節(jié)講述的正則表達式

首先

            
import re
          

然后，我們得到的gbk_html中進行篩選匹配。

我們需要一個匹配規(guī)則

我們可以打開內(nèi)涵段子的網(wǎng)頁，鼠標點擊右鍵"查看源代碼"你會驚奇的發(fā)現(xiàn)，我們需要的每個段子的內(nèi)容都是在一個

這個表達式實際上就是匹配到所有div中class="f18 mb20"里面的內(nèi)容(具體可以看前面介紹)

然后這個正則應用到代碼中，我們會得到以下代碼：

            
def loadPage(self, page):
  """
    @brief 定義一個url請求網(wǎng)頁的辦法
    @param page 需要請求的第幾頁
    @returns 返回的頁面html
  """
  url = "http://www.neihan8.com/article/list_5_" +str(page) + ".html"
  #User-Agent頭
  user-agent = "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT6.1; Trident/5.0" 

  headers = {"User-Agent":user-agent}
  req = urllib2.Request(url, headers=headers)
  response = urllib2.urlopen(req)

  html = response.read()

  gbk_html = html.decode("gbk").encode("utf-8")

  #找到所有的段子內(nèi)容
            

            
            
  #re.S 如果沒有re.S,則是只匹配一行有沒有符合規(guī)則的字符串，如果沒有則匹配下一行重新匹配
  #如果加上re.S,則是將所有的字符串按一個整體進行匹配
  pattern = re.compile(r'
            
              (.*?)