Python爬蟲學習筆記之正則表達式

正則表達式的使用
想要學習 Python 爬蟲 ， 首先需要了解一下正則表達式的使用，下面我們就來看看如何使用
. 的使用這個時候的點就相當于一個占位符，可以匹配任意一個字符，什么意思呢？看個例子就知道    
import re
content = "helloworld"
b = re.findall('w.',content)
print b`

注意了，我們首先導入了 re，這個時候大家猜一下輸出結果是什么？因為 . 相當于一個占位符，所以理所當然的這個時候的輸出結果是 wo 。

* 的使用跟上面的 . 不同，* 可以匹配前一個字符任意次數，看個例子    
content = "helloworldhelloworld"
b = re.findall('w*',content)
print b

這個時候的輸出結果是 ['', '', '', '', '', 'w', '', '', '', '', '', '', '', '', '', 'w', '', '', '', '', '']，可見是一個列表，長度和匹配的字符串一致，遇到要匹配的字符就打印出來。

.* 的使用.* 是一種組合使用，它可以盡可能多的匹配內容，比如下面這個例子    
content = "helloworldhelloworldworld"
b = re.findall('he.*ld',content)
print b

它會輸出 ['helloworldhelloworldworld']，它為什么不只打印一個 helloworld，為什么全部打印下來了？這就是一種貪心算法，也就是說我要找到最長的那個符合條件的內容。

.*? 的使用與 上面相反，這個符號會找到盡可能短的符合條件的內容，然后放到一個列表中去，如下所示    
content = 'xxhelloworldxxxxhelloworldxx'
b = re.findall('xx.*?xx',content)
print b

輸出的結果為 ['xxhelloworldxx', 'xxhelloworldxx']，可見，有個 xx 在前面好煩，怎么才能去掉呢？很簡單，加個括號即可，括號加在哪？    
content = 'xxhelloworldxxxxhelloworldxx'
b = re.findall('xx(.*?)xx',content)
print b

以上我們討論的都是內容不包含換行符的情況，如果有了換行符結果又會發生什么變化呢？    
content = '''xxhelloworld xx'''
b = re.findall('xx(.*?)xx',content)
print b

這個時候的輸出結果為一個空列表，那怎么辦??？如果我們寫網絡爬蟲的時候，網頁源代碼肯定不止是一行啊，如果換一行我們就讀不出來了，那就好尷尬了，當然有解決辦法~    
content = '''xxhelloworld xx'''
b = re.findall('xx(.*?)xx',content,re.S)
print b

這樣就可以了，還有一個非常方便的提取數字的技巧，如下所示    
content = '''xx123456 xx'''
b = re.findall('(d+)',content,re.S)
print b

在網頁源代碼中爬取圖片鏈接并下載

這篇文章中只是網絡爬蟲的第一步，所以講解的也比較淺，所以現在我們先來利用正則表達式實現一個手動的網絡爬蟲，什么是手動的呢？就是我們自己把網頁源代碼復制下來，保存在一個 txt 文件中，然后利用正則表達式去過濾信息，然后去下載。

首先我搜索了一下 Linux 桌面，然后找到了如下一個網頁

右擊查看網絡源代碼，按 ctrl+f 搜索 img src 找到中間一部分進行復制，并且粘貼到一個 txt 文件中去，

然后就可以利用我們上述的知識去提取我們想要的信息，源代碼如下

import re import requests
 f = open('source.txt', 'r')
 html = f.read()
 f.close()
 pattern = '<img src="(.*?)"'
 pic_url = re.findall(pattern, html, re.S)
 i = 0
 for each in pic_url:
   print 'Downloading :' + each
   pic = requests.get(each)
   fp = open('picture\\' + str(i) + '.jpg', 'wb')
   fp.write(pic.content)
   fp.close()
   i = i + 1

首先打開我們保存網絡源代碼的 txt文件，進行讀取，關閉文件流，然后就是利用正則表達式提取圖片鏈接，最后利用requests 中的 get() 方法進行圖片下載，注意這個 requests 不是Python 中自帶的，我們需要下載指定的文件，然后將其放入到 Python 的Lib 目錄下，此處下載，進入網站后，按ctrl+f 搜索關鍵詞 requests 就可以看到如下頁面

，可以看出，我們下載的是 .whl 后綴的文件，手動將其改成 .zip 后綴，然后解壓，就可以得到兩個目錄，將名為 requests 的目錄復制粘貼到上面講的目錄即可使用。

好了介紹完了，我們去看下運行結果

C:Python27python.exe E:/PythonCode/20160820/Spider.py
Downloading:http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112732422680200576.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112640070563900918.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112547718465744154.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112455366330382227.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112363014254719641.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112270662197888742.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112178310031994750.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112085957910403853.JPG
 
Process finished with exit code 0

這個時候就下載成功了，到我們的 picture 目錄下去查看下載的圖片

下載成功了。注意，自己找網頁源代碼實驗的時候，最好不要讓鏈接中帶有中文，否則可能會出現亂碼，由于我本身學習 Python 也才很短的時間，關于中文亂碼問題，應對起來還不是那么得心應手，所以在此也就不再講解，本文暫時告以段落，有意見或疑問可留言或者私聊我。