Python：网页的抓取、过滤和保存

环境：Python 2.7.3，win10

一、抓取

目的地是ZOL笑话大全

地址：http://xiaohua.zol.com.cn/new/2.html

网址的组成要灵活点，这个网站的地址后面是可变的，比如3.html、4.html

所以这样搞：url=”http://xiaohua.zol.com.cn/new/%d.html”%(page)

page是动态赋值的

导包：import urllib

Python的urllib和urllib2模块都是做请求URL相关操作的。

它们最显著的差异为:

urllib2可以接受一个Request对象，并以此可以来设置一个URL的headers，但是urllib只接收一个URL。

urllib模块可以提供进行urlencode的方法，该方法用于GET查询字符串的生成，urllib2的不具有这样的功能.

python 2.7.x提供了urllib与urllib2，鉴于上述异同两个库通常搭配使用。

抓取：urllib.urlopen(url).read()

因为这个网站不需要什么东西就可以爬取，所以就这么简单一句话，复杂点的请参考这个：

urllib.urlopen(url)是打开一个url的方法，返回一个文件对象，然后可以进行类似文件对象的操作，通过read()方法读取内容

这里分为两部分

先import re
re是负责正则表达式的
1、过滤list=re.findall(r'
 

  (.*?) 

',html,re.I|re.M|re.S) 
这个方法是查找字符串内所有匹配的内容，并以列表的形式返回
findall(正则表达式，要处理的字符串，可选内容)
描述
如下：
re.I
使匹配对大小写不敏感
re.L
做本地化识别（locale-aware）匹配
re.M
多行匹配，影响 ^ 和 $
re.S
使 . 匹配包括换行在内的所有字符
re.U
根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B.
re.X
该标志通过给予你更灵活的格式以便你将正则表达式写得更.decode
正则处理的方法二：#过滤
#reg=r'
 

  (.*?) 

' 
#方法1，需要转换编码
#re是python自带的处理正则表达式的包
#获取pattern对象来处理字符串
#pattern=re.compile(reg)
#这个是查找此字符串中所有符合条件的内容并返回一个列表
#list=pattern.findall(html)
#for item in list:
#网页是gbk的，查找到之后的内容也是gbk的，要解码
# print item.decode('gbk')
#返回的内容为空，应该是匹配不成功，可以看下页面返回的是否与你匹配的一致
#return pattern.findall(html)
#转码的方式
#print unicode(item,'gbk')
#print pattern.findall(html.decode('gbk').encode('utf-8'))
2、替换list[index]=re.sub(r'
(.*?)
',"",list[index]) 
因为技术关系，没能一次性过滤或者替换掉所有目标内容，唯有对数据进行多次处理，汗
此方法是替换掉匹配的内容，sub(正则表达式，要替换成什么内容，待处理的字符串)
要替换成什么内容这个我填的是空字符串list=re.findall(r'
 

  (.*?) 

',html,re.I|re.M|re.S) 
#过滤
for index in range(len(list)):
list[index]=re.sub(r'
(.*?)
',"",list[index]) 
list[index]=re.sub(r'
',"",list[index])
list[index]=re.sub(r'
',"",list[index]) 
list[index]=re.sub(r'\s*',"",list[index])+'\r'
print list[index]
return list
三、保存
也就两句话，打开一个文件，写进去txtFile=open('PaChongFile.txt','w')
txtFile.writelines(list)
总体代码如下：_author_='iamzhuwh'
#coding=utf-8
import urllib
import re
class PaChong:
#初始化
def __init__(self,tagetUrl):
global txtFile
self.tagetUrl=tagetUrl
txtFile=open('PaChongFile.txt','w')
#输入网址，返回内容列表
def getHtmlContent(self,html):
#爬取页面的指定内容
list=re.findall(r'
 

  (.*?) 

',html,re.I|re.M|re.S) 
#过滤
for index in range(len(list)):
list[index]=re.sub(r'
(.*?)
',"",list[index]) 
list[index]=re.sub(r'
',"",list[index])
list[index]=re.sub(r'
',"",list[index]) 
list[index]=re.sub(r'\s*',"",list[index])+'\r'
print list[index]
return list
#获取
def getHtml(self,url):
return urllib.urlopen(url).read()
#获取url
def getHtmlUrl(self,html):
reg='
.*?' 
reg_sub=r'
' 
reg_sub2=r'
.*?
' 
list=re.findall(reg,html,re.I|re.M|re.S)
print ""
def saveToFile(self,list):
try:
txtFile.writelines(list)
except IOError as err:
print('Error:'+str(err))
#finally:
# txtFile.close()
#url递归
def urlRecursion(self,url):
print '待续'
def start(self,pageCount):
page=0
for index in range(pageCount):
if index==0:continue
page=index
url="http://xiaohua.zol.com.cn/new/%d.html"%(page)
self.saveToFile(self.getHtmlContent(self.getHtml(url)))
spider=PaChong(None)
spider.start(50)