python爬虫Pragmatic系列I

python爬虫Pragmatic系列I

说明：

我将在这个系列介绍如何利用python写一个爬虫，并用爬虫去做一些有实际意义的事情，be pragmatic.

最终目标：

抓取赶集网上担保公司的信息，分析统计后保存到excel中。

下载赶集网上每一家担保公司的信息，记录公司的名称，联系电话，服务范围等基本信息并保存到Excel中。

本次目标：

学习如何下载一个网页并进行简单的分析。

下载网页：

下载百度首页（未登录状态下）。其中的python基础知识学习可以点这里：Python入门，python的urllib学习可以点击这里：urllib中函数的用法，文件读写学习可以点击这里：python文件读写。

代码：

# -*-coding:UTF-8 -*-
from urllib import urlretrieve


def getWebPage(url):
    '''
    根据给定的url下载网页到本地
    '''
    try:
        '''
        urlretrieve函数会将url定位的网页下载到临时文件中
        '''
        revtal = urlretrieve(url)[0]
    except IOError:
        revtal = None
    if revtal:#如果revtal不为空的话，说明网页下载成功了，那么我们就可以去处理它了
        saveWebPage(revtal)
    
    
def saveWebPage(webpage):
    '''
    将下载的网页保存到file.txt文件中
    '''
    f = open(webpage)#将下载的临时文件打开
    lines = f.readlines()#将下载的网页信息保存到lines中
    f.close()#关闭文件对象

    fobj = open("file.txt",'w')#以写的方式打开file.txt,如果file.txt不存在，那么将创建一个
    fobj.writelines(lines)#将网页信息写入file.txt中
    fobj.close()#关闭文件对象


if __name__ == '__main__':
   getWebPage(url='http://www.baidu.com')

运行结果：

产生一个91kb大小的baidu.txt文件，文件内容为百度首页html代码。

解析网页：

解析网页需要用到python的re模块，即正则表达式模块。你可以点击正则表达式30分钟入门这里学习正则表达式，点击re模块函数学习正则表达式在python中的使用。

百度首页（未登录状态下）上有着“新闻”，“hao123”，“地图”，“视频”，“贴吧”这样五个链接。我们设法取出这五个链接的值。

代码：

# -*- coding:utf-8 -*-
import re

def getNames():
	'''
	取出百度首页的五个链接值
	'''
	f = open("baidu.txt",'r')#打开刚刚获取的百度首页文件
	lines = f.readlines()#将文件内容读取到lines中
	f.close()#关闭文件对象
	
	p = r'\bclass="mnav">(.*?)<'#匹配链接值的正则表达式，括号部分是我们要取出的分组

	#我们对每一行进行正则表达式查找，只有一行有，如果返回的list不为空，说明找到了
	for line in lines:
		if re.findall(p,line) <> []:
			result = re.findall(p,line)
			
	#我们打印出来看看
	for word in result:
		print word,

if __name__ == '__main__':
	getNames()

运行结果：