python编写简单爬虫资料汇总


            　　爬虫真是一件有意思的事儿啊，之前写过爬虫，用的是urllib2、BeautifulSoup实现简单爬虫，scrapy也有实现过。最近想更好的学习爬虫，那么就尽可能的做记录吧。这篇博客就我今天的一个学习过程写写吧。

一 正则表达式

　　正则表达式是一个很强大的工具了，众多的语法规则，我在爬虫中常用的有：



  

    

      .

      匹配任意字符（换行符除外）

    

    

      *

      匹配前一个字符0或无限次

    

    

      ?

      匹配前一个字符0或1次

    

    

      .*

      贪心算法

    

    

      .*?

      非贪心算法

    

    

      （.*?)

      将匹配到的括号中的结果输出

    

    

      \d

      匹配数字

    

    

      re.S

      使得.可以匹配换行符

    

  







　　常用的方法有：find_all()，search()，sub()

　　对以上语法方法做以练习，代码见：http://github.com/Ben0825/Crawler/blob/master/re_test.py

二 urllib和urllib2

　　urllib和urllib2库是学习Python爬虫最基本的库，利用该库，我们可以得到网页的内容，同时，可以结合正则对这些内容提取分析，得到真正想要的结果。

　　在此将urllib和urllib2结合正则爬取了糗事百科中的作者点赞数内容。

　　代码见：http://github.com/Ben0825/Crawler/blob/master/qiubai_test.py

三 BeautifulSoup

　　BeautifulSoup是Python的一个库，最主要的功能是从网页抓取数据，官方介绍是这样的：

　　Beautiful Soup 提供一些简单的、python 式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。

　　Beautiful Soup 自动将输入文档转换为 Unicode 编码,输出文档转换为 utf-8 编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup 就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。

　　Beautiful Soup 已成为和 lxml、html6lib 一样出色的 python 解释器,为用户灵活地提供不同的解析策略或强劲的速度。

　　首先：爬取百度百科Python词条下相关的100个页面，爬取的页面值自己设定。

　　代码详见：http://github.com/Ben0825/Crawler/tree/master/python_baike_Spider

　　代码运行：

　　

　　　　　　　

　　巩固篇，依据豆瓣中图书的标签得到一个书单，同样使用BeautifulSoup。

　　代码详见：http://github.com/Ben0825/Crawler/blob/master/doubanTag.py

　　运行结果：　　



　　　以上就是今天学习的一些内容，爬虫真的很有意思啊，明天继续学scrapy!