前面的python3入门系列基本上也对python入了门，从这章起就开始介绍下python的爬虫教程，拿出来给大家分享；爬虫说的简单，就是去抓取网路的数据进行分析处理；这章主要入门，了解几个爬虫的小测试，以及对爬虫用到的工具介绍，比如集合，队列，正则表达式.
一、用python抓取指定页面：
代码如下：
importurllib.requesturl="http://www.baidu.com"data =urllib.request.urlopen(url).read()#data =data.decode('UTF-8')print(data)
urllib.request.urlopen(url)官方文档返回一个 http.client.HTTPResponse 对象, 这个对象又用到的read()方法，返回数据；这个函数返回一个 http.client.HTTPResponse 对象， 这个对象又有各种方法， 比如我们用到的read()方法；
查找可变网址：
importurllibimporturllib.requestdata={}data['word']='one peace'url_values=urllib.parse.urlencode(data)url="http://www.baidu.com/s?"full_url=url+url_valuesa =urllib.request.urlopen(full_url)data=a.read()data=data.decode('UTF-8')print(data)##打印出网址：a.geturl()
data是一个字典，然后通过urllib.parse.urlencode()来将data转换为 ‘word=one+peace’的字符串，最后和url合并为full_url
二、python正则表达式介绍：
1.队列 介绍:在爬虫的程序中用到了广度优先级算法，该算法用到了数据结构，当然你用list也可以实现队列，但是效率不高。现在在此处介绍下：
在容器中有队列：collection.deque
#队列简单测试：fromcollections importdequequeue=deque(["peace","rong","sisi"])queue.append("nick")queue.append("pishi")print(queue.popleft())print(queue.popleft())print(queue)
2.集合介绍：在爬虫程序中, 为了不重复爬那些已经爬过的网站， 我们需要把爬过的页面的url放进集合中， 在每一次要爬某一个url之前，先看看集合里面是否已经存在。如果已经存在，我们就跳过这个url；如果不存在，我们先把url放入集合中， 然后再去爬这个页面。
Python 还包含了一个数据类型—— set ( 集 合 ) 。 集合是一个无序不重复元素的集 。 基本功能包括关系测试和消除重复元 素 。 集合对象还支持union( 联合),intersection(交),difference(差)和 sysmmetric difference(对称差集)等数学运算。
大括号或 set() 函数可以用来创建集合。注意：想要创建空集合，你必须使用set() 而不是 {} 。{}用于创建空字典；
3.集合的创建演示如下：
a={"peace","peace","rong","rong","nick"}print(a)"peace"ina b=set(["peace","peace","rong","rong"])print(b)#演示联合print(a|b)#演示交print(a&b)#演示差print(a-b)#对称差集print(a^b)#输出： {'peace','rong','nick'}{'peace','rong'}{'peace','rong','nick'}{'peace','rong'}{'nick'}{'nick'}
4.正则表达式：在爬虫时收集回来的一般是字符流，我们要从中挑选出url就要求有简单的字符串处理能力，而用正则表达式可以轻松的完成这一任务；正则表达式的步骤：
正则表达式的编译
正则表达式匹配字符串
结果的处理
下图列出了正则表达式的语法：
在python中使用正则表达式，需要引入re模块；下面介绍下该模块中的一些方法；
1.compile和match：re模块中compile用于生成pattern的对象，再通过调用pattern实例的match方法处理文本最终获得match实例；通过使用match获得信息；
importre# 将正则表达式编译成Pattern对象pattern =re.compile(r'rlovep')# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回Nonem =pattern.match('rlovep.com')ifm:# 使用Match获得分组信息print(m.group())### 输出 #### rlovep
re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，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)与re.compile(‘(?im)pattern’)是等价的。
可选值有：
re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
M(MULTILINE): 多行模式，改变’^’和’$’的行为（参见上图）
S(DOTALL): 点任意匹配模式，改变’.’的行为
L(LOCALE): 使预定字符类 w W b B s S 取决于当前区域设定
U(UNICODE): 使预定字符类 w W b B s S d D 取决于unicode定义的字符属性
X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。
2、Match：Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
属性：string:匹配时使用的文本。re:匹配时使用的Pattern对象。pos:文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。endpos:文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。lastindex:最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。lastgroup:最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。方法：group([group1,…]):获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。groups([default]):以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。groupdict([default]):返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。start([group]):返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。end([group]):返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。span([group]):返回(start(group),end(group))。expand(template):将匹配到的分组代入template中然后返回。template中可以使用id或g<id>、g<name>引用分组，但不能使用编号0。id与g<id>是等价的；但10将被认为是第10个分组，如果你想表达1之后是字符'0'，只能使用g<1>0。
Pattern:
Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息：pattern:编译时用的表达式字符串。flags:编译时用的匹配模式。数字形式。groups:表达式中分组的数量。groupindex:以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。实例方法[|re模块方法]：match(string[,pos[,endpos]])|re.match(pattern,string[,flags]):这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。search(string[,pos[,endpos]])|re.search(pattern,string[,flags]):这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。split(string[,maxsplit])|re.split(pattern,string[,maxsplit]):按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。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，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。sub(repl,string[,count])|re.sub(pattern,repl,string[,count]):使用repl替换string中每一个匹配的子串后返回替换后的字符串。当repl是一个字符串时，可以使用id或g<id>、g<name>引用分组，但不能使用编号0。当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。count用于指定最多替换次数，不指定时全部替换。subn(repl,string[,count])|re.sub(pattern,repl,string[,count]):返回(sub(repl,string[,count]),替换次数)。
3.re.match(pattern, string, flags=0)
函数参数说明：
匹配成功re.match方法返回一个匹配的对象，否则返回None。
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
演示如下：
#re.match.importreprint(re.match("rlovep","rlovep.com"))##匹配rlovepprint(re.match("rlovep","rlovep.com").span())##从开头匹配rlovepprint(re.match("com","http://rlovep.com"))##不再起始位置不能匹配成功##输出：<_sre.SRE_Match object;span=(0,6),match='rlovep'>(0,6)None
实例二：使用group
importreline ="This is my blog"#匹配含有is的字符串matchObj =re.match(r'(.*) is (.*?) .*',line,re.M|re.I)#使用了组输出：当group不带参数是将整个匹配成功的输出#当带参数为1时匹配的是最外层左边包括的第一个括号，一次类推；ifmatchObj:print("matchObj.group() : ",matchObj.group())#匹配整个print("matchObj.group(1) : ",matchObj.group(1))#匹配的第一个括号print("matchObj.group(2) : ",matchObj.group(2))#匹配的第二个括号else:print("No match!!")#输出：matchObj.group():ThisismyblogmatchObj.group(1):ThismatchObj.group(2):my
4.re.search方法
re.search 扫描整个字符串并返回第一个成功的匹配。
函数语法：
re.search(pattern,string,flags=0)
函数参数说明：
匹配成功re.search方法返回一个匹配的对象，否则返回None。
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
实例一：
importreprint(re.search("rlovep","rlovep.com").span())print(re.search("com","http://rlovep.com").span())#输出：importreprint(re.search("rlovep","rlovep.com").span())print(re.search("com","http://rlovep.com").span())
实例二：
importreline ="This is my blog"#匹配含有is的字符串matchObj =re.search(r'(.*) is (.*?) .*',line,re.M|re.I)#使用了组输出：当group不带参数是将整个匹配成功的输出#当带参数为1时匹配的是最外层左边包括的第一个括号，一次类推；ifmatchObj:print("matchObj.group() : ",matchObj.group())#匹配整个print("matchObj.group(1) : ",matchObj.group(1))#匹配的第一个括号print("matchObj.group(2) : ",matchObj.group(2))#匹配的第二个括号else:print("No match!!")#输出：matchObj.group():ThisismyblogmatchObj.group(1):ThismatchObj.group(2):my
5.search和match区别：
re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。
三、Python爬虫小试牛刀
利用python抓取页面中所有的http协议的链接，并递归抓取子页面的链接。使用了集合和队列；此去爬的是我的网站，第一版很多bug；
1.代码如下：
importreimporturllib.requestimporturllibfromcollections importdeque#使用队列存放url queue =deque()>前面的python3入门系列基本上也对python入了门，从这章起就开始介绍下python的爬虫教程，拿出来给大家分享；爬虫说的简单，就是去抓取网路的数据进行分析处理；这章主要入门，了解几个爬虫的小测试，以及对爬虫用到的工具介绍，比如集合，队列，正则表达式；<!--more-->#使用visited防止重复爬同一页面visited =set()url ='http://rlovep.com'# 入口页面, 可以换成别的#入队最初的页面queue.append(url)cnt =0whilequeue:url =queue.popleft()# 队首元素出队visited |={url}# 标记为已访问print('已经抓取: '+str(cnt)+' 正在抓取 <--- '+url)cnt +=1#抓取页面urlop =urllib.request.urlopen(url)#判断是否为html页面if'html'notinurlop.getheader('Content-Type'):continue# 避免程序异常中止, 用try..catch处理异常try:#转换为utf-8码data =urlop.read().decode('utf-8')except:continue# 正则表达式提取页面中所有队列, 并判断是否已经访问过, 然后加入待爬队列linkre =re.compile("href=['"]([^"'>]*?)['"].*?")forx inlinkre.findall(data):##返回所有有匹配的列表if'http'inx andx notinvisited:##判断是否为http协议链接，并判断是否抓取过queue.append(x)print('加入队列 ---> '+x)
2.结果如下：
返回搜狐，查看更多
责任编辑：
