Python 爬虫学习笔记之正则表达式

正则表达式的使用

想要学习 Python 爬虫 ， 首先需要了解一下正则表达式的使用，下面我们就来看看如何使用。

. 的使用这个时候的点就相当于一个占位符，可以匹配任意一个字符，什么意思呢？看个例子就知道

import re
content = "helloworld"
b = re.findall('w.',content)
print b`

注意了，我们首先导入了 re，这个时候大家猜一下输出结果是什么？因为 . 相当于一个占位符，所以理所当然的这个时候的输出结果是 wo 。

* 的使用跟上面的 . 不同，* 可以匹配前一个字符任意次数，看个例子

content = "helloworldhelloworld"
b = re.findall('w*',content)
print b

这个时候的输出结果是 ['', '', '', '', '', 'w', '', '', '', '', '', '', '', '', '', 'w', '', '', '', '', '']，可见是一个列表，长度和匹配的字符串一致，遇到要匹配的字符就打印出来。

.* 的使用.* 是一种组合使用，它可以尽可能多的匹配内容，比如下面这个例子

content = "helloworldhelloworldworld"
b = re.findall('he.*ld',content)
print b

它会输出 ['helloworldhelloworldworld']，它为什么不只打印一个 helloworld，为什么全部打印下来了？这就是一种贪心算法，也就是说我要找到最长的那个符合条件的内容。

.*? 的使用与 上面相反，这个符号会找到尽可能短的符合条件的内容，然后放到一个列表中去，如下所示

content = 'xxhelloworldxxxxhelloworldxx'
b = re.findall('xx.*?xx',content)
print b

输出的结果为 ['xxhelloworldxx', 'xxhelloworldxx']，可见，有个 xx 在前面好烦，怎么才能去掉呢？很简单，加个括号即可，括号加在哪？

content = 'xxhelloworldxxxxhelloworldxx'
b = re.findall('xx(.*?)xx',content)
print b

以上我们讨论的都是内容不包含换行符的情况，如果有了换行符结果又会发生什么变化呢？

content = '''xxhelloworld xx'''
b = re.findall('xx(.*?)xx',content)
print b

这个时候的输出结果为一个空列表，那怎么办啊？如果我们写网络爬虫的时候，网页源代码肯定不止是一行啊，如果换一行我们就读不出来了，那就好尴尬了，当然有解决办法~

content = '''xxhelloworld xx'''
b = re.findall('xx(.*?)xx',content,re.S)
print b

这样就可以了，还有一个非常方便的提取数字的技巧，如下所示

content = '''xx123456 xx'''
b = re.findall('(d+)',content,re.S)
print b

在网页源代码中爬取图片链接并下载

这篇文章中只是网络爬虫的第一步，所以讲解的也比较浅，所以现在我们先来利用正则表达式实现一个手动的网络爬虫，什么是手动的呢？就是我们自己把网页源代码复制下来，保存在一个 txt 文件中，然后利用正则表达式去过滤信息，然后去下载。

首先我搜索了一下 Linux 桌面，然后找到了如下一个网页

右击查看网络源代码，按 ctrl+f 搜索 img src 找到中间一部分进行复制，并且粘贴到一个 txt 文件中去，

然后就可以利用我们上述的知识去提取我们想要的信息，源代码如下

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

首先打开我们保存网络源代码的 txt文件，进行读取，关闭文件流，然后就是利用正则表达式提取图片链接，最后利用requests 中的 get() 方法进行图片下载，注意这个 requests 不是Python 中自带的，我们需要下载指定的文件，然后将其放入到 Python 的Lib 目录下，此处下载，进入网站后，按ctrl+f 搜索关键词 requests 就可以看到如下页面

，可以看出，我们下载的是 .whl 后缀的文件，手动将其改成 .zip 后缀，然后解压，就可以得到两个目录，将名为 requests 的目录复制粘贴到上面讲的目录即可使用。

好了介绍完了，我们去看下运行结果

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

这个时候就下载成功了，到我们的 picture 目录下去查看下载的图片

下载成功了。注意，自己找网页源代码实验的时候，最好不要让链接中带有中文，否则可能会出现乱码，由于我本身学习 Python 也才很短的时间，关于中文乱码问题，应对起来还不是那么得心应手，所以在此也就不再讲解，本文暂时告以段落，有意见或疑问可留言或者私聊我。