python正則表達式抓取成語網(wǎng)站
1、首先找到一個在線成語網(wǎng)站
2、查看網(wǎng)頁結構,定義正則式
看一下要抓的成語的標簽有什么特點,查看源碼,可以發(fā)現(xiàn)要抓的成語都在<a>標簽中,如:<a href="/cy0/93.html">安如磐石</a>,成語事實上就是一個瞄文本,不同成語指向的鏈接不同,其實也就"/cy0/93.html"中的數(shù)字不同,所以正則式里匹配兩次數(shù)字就行了,定義正則式 reg = "<a href=\"/cy(\d+)/(\d+).html\">(.*?)</a>"。
3、上代碼吧
#anthor jiqunpeng
#time 20121124
import urllib
import re
def getHtml(url): #從URL中讀取html內(nèi)容
page = urllib.urlopen(url)
html = page.read()
page.close()
return html
def getDictionary(html): #匹配成語
reg = "<a href=\"/cy(\d+)/(\d+).html\">(.*?)</a>"
dicList = re.compile(reg).findall(html)
return dicList
def getItemSite():#手工把每個字母開頭的頁面數(shù)統(tǒng)計下來
itemSite = {}#申明為空字典
itemSite["A"] = 3
itemSite["B"] = 21
itemSite["C"] = 19
itemSite["D"] = 18
itemSite["E"] = 2
itemSite["F"] = 14
itemSite["G"] = 13
itemSite["H"] = 15
itemSite["J"] = 23
itemSite["K"] = 6
itemSite["L"] = 15
itemSite["M"] = 12
itemSite["N"] = 5
itemSite["O"] = 1
itemSite["P"] = 6
itemSite["Q"] = 16
itemSite["R"] = 8
itemSite["S"] = 26
itemSite["T"] = 12
itemSite["W"] = 13
itemSite["X"] = 16
itemSite["Y"] = 35
itemSite["A"] = 21
return itemSite
if __name__== "__main__":
dicFile = open("dic.txt","w+")#保存成語的文件
domainsite = "http://chengyu.itlearner.com/list/"
itemSite = getItemSite()
for key,values in itemSite.items():
for index in range(1,values+1):
site = key +"_"+str(index)+".html"
dictionary = getDictionary(getHtml(domainsite+site))
for dic in dictionary:
dicFile.write(dic[2]+"@@CY\n")#標記為成語,分詞時使用
print key+'字母成語抓取完畢'
dicFile.close()
print '全部成語抓取完畢'
把成語保存在了txt文本中,還添加了一個后綴標簽。
最后注意,設計正則表達式時可能會出現(xiàn)明明認為是正確的,就是匹配不了,對空白字符要留意,比如說要解析:
<div class="avatar_name">
<a href="/u/kkun/" title="kkun">kkun</a>
</div>
你看不出第一行與第二行的空白字符是什么,可以index = html.find('avatar_name'),html[4677:4677+100]看到非空白字符。
- python3爬蟲之入門基礎和正則表達式
- 零基礎寫python爬蟲之神器正則表達式
- Python的爬蟲包Beautiful Soup中用正則表達式來搜索
- Python爬蟲正則表達式常用符號和方法
- python爬蟲 正則表達式使用技巧及爬取個人博客的實例講解
- python正則表達式爬取貓眼電影top100
- Python使用正則表達式抓取網(wǎng)頁圖片的方法示例
- python正則匹配抓取豆瓣電影鏈接和評論代碼分享
- Python爬蟲實現(xiàn)網(wǎng)頁信息抓取功能示例【URL與正則模塊】
- Python正則抓取新聞標題和鏈接的方法示例
- Python正則抓取網(wǎng)易新聞的方法示例
- Python3使用正則表達式爬取內(nèi)涵段子示例
相關文章
Python?eval()函數(shù)和ast.literal_eval()的區(qū)別你知道嗎
這篇文章主要為大家詳細介紹了Python?eval()函數(shù)和ast.literal_eval()的區(qū),文中圖片代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下,希望能夠給你帶來幫助2022-02-02
pytorch1.0中torch.nn.Conv2d用法詳解
今天小編就為大家分享一篇pytorch1.0中torch.nn.Conv2d用法詳解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
Python使用matplotlib實現(xiàn)的圖像讀取、切割裁剪功能示例
這篇文章主要介紹了Python使用matplotlib實現(xiàn)的圖像讀取、切割裁剪功能,結合實例形式分析了Python基于matplotlib操作圖片的加載、讀取、坐標控制及裁剪相關操作技巧,需要的朋友可以參考下2018-04-04
Python如何利用Har文件進行遍歷指定字典替換提交的數(shù)據(jù)詳解
這篇文章主要給大家介紹了關于Python如何利用Har文件進行遍歷指定字典替換提交的數(shù)據(jù)的相關資料,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2020-11-11

