Python爬虫如何正则表达式

今天就跟大家聊聊有关Python爬虫如何正则表达式，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。

创新互联主营津南网站建设的网络公司,主营网站建设方案,app开发定制,津南h5重庆小程序开发搭建,津南网站营销推广欢迎津南等地区企业咨询

爬虫——爬虫中使用正则表达式

下面我们尝试爬取内涵段子网站：http://www.neihan8.com/article/list_5_1.html

打开之后，当你进行翻页的时候，不难注意到，url地址的变化：

第一页url: http: //www.neihan8.com/article/list_5_1 .html

第二页url: http: //www.neihan8.com/article/list_5_2 .html

第三页url: http: //www.neihan8.com/article/list_5_3 .html

第四页url: http: //www.neihan8.com/article/list_5_4 .html

这样，我们把url规律找到了，要想爬取所有的段子，只需要修改一个参数即可。下面，我们就开始一步一步将所有的段子爬取下来。

第一步：获取网页数据（网页上全部内容）

1.按照我们之前的用法，我们需要写一个加载页面的方法。

这里我们定义一个类，将url请求作为一个成员方法处理。

我们创建一个duanzi_spider.py文件。

然后定义一个Spider类，并且添加一个加载页面的成员方法。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
 
class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content.decode("gb18030")
         
        # 打印页面内容
        print(html)
         
        # 返回页面内容
        return html

2.写main函数测试loadPage()方法

if __name__ == '__main__':
    # 实例化类对象
    my_spider = Spider()
    # 让用户输入需爬取页面的页码
    page = int(input("请输入你需要爬取的页码："))
    # 拼接用户需爬取页面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    html = my_spider.loadPage(url)

第二步：筛选数据

我们已经得到了整个页面的数据。但是，里面有很多内容我们并不需要，所以下一步我们需要对上面爬取的内容进行筛选。如果筛选，这里就用到了我们前面讲到的正则表达式。

首先

import re

然后：在我们得到的html中进行筛选匹配。

我们需要一个匹配规则：

 我们可以打开内涵段子的网页，鼠标点击右键“查看源代码”，你会发现，我们需要的每个段子的内容都是在一个

(.*?)

这个表达式实际上就是匹配到所有div中class="f18 mb20"里面的内容

然后将这个正则应用到代码中，我们会得到以下代码：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
import re
 
class Spider(object):
    """
    一个爬虫类
    """
    def loadPage(self, url):
        """
        下载指定url页面的内容
        :return:
        """
        # User-Agent头
        header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
        Chrome/39.0.2171.71 Safari/537.36'}
        response = requests.get(url = url, headers = header)
        html = response.content
 
        return html.decode("gb18030")
 
    def screenPage(self, html):
        """
        筛选html内容，返回列表
        :param html:
        :return:
        """
        # ...