python3爬蟲之入門基礎和正則表達式

前面的python3入門系列基本上也對python入了門，從這章起就開始介紹下python的爬蟲教程，拿出來給大家分享；爬蟲說的簡單，就是去抓取網路的數據進行分析處理；這章主要入門，了解幾個爬蟲的小測試，以及對爬蟲用到的工具介紹，比如集合，隊列，正則表達式；

用python抓取指定頁面：

代碼如下：

  import urllib.request  url= "http://www.baidu.com"  data = urllib.request.urlopen(url).read()#  data = data.decode('UTF-8')  print(data)  

urllib.request.urlopen(url) 官方文檔 返回一個 http.client.HTTPResponse 對象, 這個對象又用到的read()方法;返回數據；這個函數返回一個 http.client.HTTPResponse 對象, 這個對象又有各種方法, 比如我們用到的read()方法；

查找可變網址：

  import urllib  import urllib.request  data={}  data['word']='one peace'  url_values=urllib.parse.urlencode(data)  url="http://www.baidu.com/s?"  full_url=url+url_values  a = urllib.request.urlopen(full_url)  data=a.read()  data=data.decode('UTF-8')  print(data)  ##打印出網址：  a.geturl()

data是一個字典, 然后通過urllib.parse.urlencode()來將data轉換為 ‘word=one+peace’的字符串, 最后和url合并為full_url

python正則表達式介紹：

隊列 介紹

在爬蟲的程序中用到了廣度優先級算法，該算法用到了數據結構，當然你用list也可以實現隊列，但是效率不高?，F在在此處介紹下：在容器中有隊列：collection.deque

#隊列簡單測試：
from collections import deque
queue=deque([“peace”,”rong”,”sisi”])
queue.append(“nick”)
queue.append(“pishi”)
print(queue.popleft())
print(queue.popleft())
print(queue)

集合介紹：

在爬蟲程序中, 為了不重復爬那些已經爬過的網站, 我們需要把爬過的頁面的url放進集合中, 在每一次要爬某一個url之前, 先看看集合里面是否已經存在. 如果已經存在, 我們就跳過這個url; 如果不存在, 我們先把url放入集合中, 然后再去爬這個頁面.

Python 還 包 含 了 一 個 數 據 類 型―― set ( 集 合 ) 。 集 合 是 一 個 無 序 不 重 復 元素 的 集 。 基 本 功 能 包 括 關 系 測 試 和 消 除 重 復 元 素 。 集 合 對 象 還 支 持 union( 聯合),intersection(交),difference(差)和 sysmmetric difference(對稱差集)等數學運算。

大括號或 set() 函數可以用來創建集合。 注意:想要創建空集合,你必須使用set() 而不是 {} 。{}用于創建空字典；

集合的創建演示如下：

 a={“peace”,”peace”,”rong”,”rong”,”nick”}
  print(a)
  “peace” in  a
  b=set([“peace”,”peace”,”rong”,”rong”])
  print(b)
  #演示聯合
  print(a|b)
  #演示交
  print(a&b)
  #演示差
  print(a-b)
  #對稱差集
  print(a^b)
#輸出： 
{‘peace’, ‘rong’, ‘nick’}
{‘peace’, ‘rong’}
{‘peace’, ‘rong’, ‘nick’}
{‘peace’, ‘rong’}
{‘nick’}
{‘nick’}

正則表達式

在爬蟲時收集回來的一般是字符流，我們要從中挑選出url就要求有簡單的字符串處理能力，而用正則表達式可以輕松的完成這一任務；

正則表達式的步驟：1，正則表達式的編譯 2，正則表達式匹配字符串 3，結果的處理

下圖列出了正則表達式的語法：

在pytho中使用正則表達式，需要引入re模塊；下面介紹下該模塊中的一些方法；

1.compile和match

re模塊中compile用于生成pattern的對象，再通過調用pattern實例的match方法處理文本最終獲得match實例；通過使用match獲得信息；

  import re    # 將正則表達式編譯成Pattern對象  pattern = re.compile(r'rlovep')  # 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None  m = pattern.match('rlovep.com')  if m:  # 使用Match獲得分組信息    print(m.group())  ### 輸出 ###  # rlovep  re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法，用于將字符串形式的正則表達式編譯為Pattern對象。 第二個參數flag是匹配模式，取值可以使用按位或運算符’|’表示同時生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile(‘pattern’, re.I | re.M)與re.compile(‘(?im)pattern’)是等價的。

可選值有：

re.I(re.IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）

M(MULTILINE): 多行模式，改變’^’和’$’的行為（參見上圖）

S(DOTALL): 點任意匹配模式，改變’.’的行為

L(LOCALE): 使預定字符類 w W b B s S 取決于當前區域設定

U(UNICODE): 使預定字符類 w W b B s S d D 取決于unicode定義的字符屬性

X(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。

Match:Match對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：

string: 匹配時使用的文本。
re: 匹配時使用的Pattern對象。
pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。

方法：

group([group1, …]):
獲得一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
groups([default]):
以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。
groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。
end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。
span([group]):
返回(start(group), end(group))。
expand(template):
將匹配到的分組代入template中然后返回。template中可以使用id或g<id>、 g<name>引用分組，但不能使用編號0。id與g<id>是等價的；但10將被認為是第10個分組，如果你想表達 1之后是字符’0’，只能使用g<1>0。
pattern:Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。

Pattern不能直接實例化，必須使用re.compile()進行構造。

Pattern提供了幾個可讀屬性用于獲取表達式的相關信息：

pattern: 編譯時用的表達式字符串。
flags: 編譯時用的匹配模式。數字形式。
groups: 表達式中分組的數量。
groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。
實例方法[ | re模塊方法]：

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
pos和endpos的默認值分別為0和len(string)；re.match()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
注意：這個方法并不是完全匹配。當pattern結束時若string還有剩余字符，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符’$’。
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
這個方法用于查找字符串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。 pos和endpos的默認值分別為0和len(string))；re.search()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數，不指定將全部分割。
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替換string中每一個匹配的子串后返回替換后的字符串。 當repl是一個字符串時，可以使用id或g<id>、g<name>引用分組，但不能使用編號0。 當repl是一個方法時，這個方法應當只接受一個參數（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。 count用于指定最多替換次數，不指定時全部替換。
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替換次數)。

2.re.match(pattern, string, flags=0)

函數參數說明：

我們可以使用group(num) 或 groups() 匹配對象函數來獲取匹配表達式。

演示如下：

  #re.match.  import re  print(re.match("rlovep","rlovep.com"))##匹配rlovep  print(re.match("rlovep","rlovep.com").span())##從開頭匹配rlovep  print(re.match("com","http://rlovep.com"))##不再起始位置不能匹配成功  ##輸出：  <_sre.SRE_Match object; span=(0, 6), match='rlovep'>  (0, 6)  None

實例二：使用group

  import re  line = "This is my blog"  #匹配含有is的字符串  matchObj = re.match( r'(.*) is (.*?) .*', line, re.M|re.I)  #使用了組輸出：當group不帶參數是將整個匹配成功的輸出  #當帶參數為1時匹配的是最外層左邊包括的第一個括號，一次類推；  if matchObj:   print ("matchObj.group() : ", matchObj.group())#匹配整個   print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號   print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號  else:   print ("No match!!")  #輸出：  matchObj.group() : This is my blog  matchObj.group(1) : This  matchObj.group(2) : my

3.re.search方法

re.search 掃描整個字符串并返回第一個成功的匹配。

函數語法：

re.search(pattern, string, flags=0)

函數參數說明：

我們可以使用group(num) 或 groups() 匹配對象函數來獲取匹配表達式。

實例一：

  import re  print(re.search("rlovep","rlovep.com").span())  print(re.search("com","http://rlovep.com").span())  #輸出：  import re  print(re.search("rlovep","rlovep.com").span())  print(re.search("com","http://rlovep.com").span())

實例二：

  import re  line = "This is my blog"  #匹配含有is的字符串  matchObj = re.search( r'(.*) is (.*?) .*', line, re.M|re.I)  #使用了組輸出：當group不帶參數是將整個匹配成功的輸出  #當帶參數為1時匹配的是最外層左邊包括的第一個括號，一次類推；  if matchObj:   print ("matchObj.group() : ", matchObj.group())#匹配整個   print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號   print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號  else:   print ("No match!!")  #輸出：  matchObj.group() : This is my blog  matchObj.group(1) : This  matchObj.group(2) : my

search和match區別：re.match只匹配字符串的開始，如果字符串開始不符合正則表達式，則匹配失敗，函數返回None；而re.search匹配整個字符串，直到找到一個匹配。

python爬蟲小試牛刀

利用python抓取頁面中所有的http協議的鏈接，并遞歸抓取子頁面的鏈接。使用了集合和隊列；此去爬的是我的網站，第一版很多bug；代碼如下：

  import re  import urllib.request  import urllib  from collections import deque  #使用隊列存放url   queue = deque()  >前面的python3入門系列基本上也對python入了門，從這章起就開始介紹下python的爬蟲教程，拿出來給大家分享；爬蟲說的簡單，就是去抓取網路的數據進行分析處理；這章主要入門，了解幾個爬蟲的小測試，以及對爬蟲用到的工具介紹，比如集合，隊列，正則表達式；  <!--more-->  #使用visited防止重復爬同一頁面  visited = set()  url = 'http://rlovep.com' # 入口頁面, 可以換成別的   #入隊最初的頁面  queue.append(url)  cnt = 0  while queue:   url = queue.popleft() # 隊首元素出隊   visited |= {url} # 標記為已訪問   print('已經抓取: ' + str(cnt) + '  正在抓取 <--- ' + url)   cnt += 1   #抓取頁面   urlop = urllib.request.urlopen(url)   #判斷是否為html頁面   if 'html' not in urlop.getheader('Content-Type'):    continue   # 避免程序異常中止, 用try..catch處理異常   try:    #轉換為utf-8碼    data = urlop.read().decode('utf-8')   except:    continue   # 正則表達式提取頁面中所有隊列, 并判斷是否已經訪問過, 然后加入待爬隊列   linkre = re.compile("href=['"]([^"'>]*?)['"].*?")   for x in linkre.findall(data):##返回所有有匹配的列表    if 'http' in x and x not in visited:##判斷是否為http協議鏈接，并判斷是否抓取過     queue.append(x)     print('加入隊列 ---> ' + x)

結果如下：