今天就跟大家聊聊有關Python爬蟲如何正則表達式，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

創新互聯主營津南網站建設的網絡公司,主營網站建設方案,app開發定制,津南h5重慶小程序開發搭建,津南網站營銷推廣歡迎津南等地區企業咨詢

爬蟲——爬蟲中使用正則表達式

下面我們嘗試爬取內涵段子網站：http://www.neihan8.com/article/list_5_1.html

打開之后，當你進行翻頁的時候，不難注意到，url地址的變化：

第一頁url: http: //www.neihan8.com/article/list_5_1 .html

第二頁url: http: //www.neihan8.com/article/list_5_2 .html

第三頁url: http: //www.neihan8.com/article/list_5_3 .html

第四頁url: http: //www.neihan8.com/article/list_5_4 .html

這樣，我們把url規律找到了，要想爬取所有的段子，只需要修改一個參數即可。下面，我們就開始一步一步將所有的段子爬取下來。

第一步：獲取網頁數據（網頁上全部內容）

1.按照我們之前的用法，我們需要寫一個加載頁面的方法。

這里我們定義一個類，將url請求作為一個成員方法處理。

我們創建一個duanzi_spider.py文件。

然后定義一個Spider類，并且添加一個加載頁面的成員方法。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
 
class Spider(object):
    """
    一個爬蟲類
    """
    def loadPage(self, url):
        """
        下載指定url頁面的內容
        :return:
        """
        # User-Agent頭
        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")
         
        # 打印頁面內容
        print(html)
         
        # 返回頁面內容
        return html

2.寫main函數測試loadPage()方法

if __name__ == '__main__':
    # 實例化類對象
    my_spider = Spider()
    # 讓用戶輸入需爬取頁面的頁碼
    page = int(input("請輸入你需要爬取的頁碼："))
    # 拼接用戶需爬取頁面的url地址
    url = "http://www.neihan8.com/article/list_5_{}.html".format(page)
    html = my_spider.loadPage(url)

第二步：篩選數據

我們已經得到了整個頁面的數據。但是，里面有很多內容我們并不需要，所以下一步我們需要對上面爬取的內容進行篩選。如果篩選，這里就用到了我們前面講到的正則表達式。

首先

import re

然后：在我們得到的html中進行篩選匹配。

我們需要一個匹配規則：

 我們可以打開內涵段子的網頁，鼠標點擊右鍵“查看源代碼”，你會發現，我們需要的每個段子的內容都是在一個

(.*?)

這個表達式實際上就是匹配到所有div中class="f18 mb20"里面的內容

然后將這個正則應用到代碼中，我們會得到以下代碼：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import requests
import re
 
class Spider(object):
    """
    一個爬蟲類
    """
    def loadPage(self, url):
        """
        下載指定url頁面的內容
        :return:
        """
        # User-Agent頭
        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):
        """
        篩選html內容，返回列表
        :param html:
        :return:
        """
        # ...