> 前面的python3入門系列基本上也對python入了門，從這章起就開始介紹下python的爬蟲教程，拿出來給大家分享；爬蟲說的簡單，就是去抓取網路的數據進行分析處理；這章主要入門，了解幾個爬蟲的小測試，以及對爬蟲用到的工具介紹，比如集合，隊列，正則表達式；
### 用python抓取指定頁面：
代碼如下：
~~~
import urllib.request
url= "http://www.baidu.com"
data = urllib.request.urlopen(url).read()#
data = data.decode('UTF-8')
print(data)
~~~
urllib.request.urlopen(url)[官方文檔](https://docs.python.org/3/library/urllib.html)返回一個 http.client.HTTPResponse 對象, 這個對象又用到的read()方法;返回數據；這個函數返回一個 http.client.HTTPResponse 對象, 這個對象又有各種方法, 比如我們用到的read()方法；
### 查找可變網址：
~~~
import urllib
import urllib.request
data={}
data['word']='one peace'
url_values=urllib.parse.urlencode(data)
url="http://www.baidu.com/s?"
full_url=url+url_values
a = urllib.request.urlopen(full_url)
data=a.read()
data=data.decode('UTF-8')
print(data)
##打印出網址：
a.geturl()
~~~
data是一個字典, 然后通過urllib.parse.urlencode()來將data轉換為 ‘word=one+peace’的字符串, 最后和url合并為full_url
### python正則表達式介紹：
### 隊列 介紹
在爬蟲的程序中用到了廣度優先級算法，該算法用到了數據結構，當然你用list也可以實現隊列，但是效率不高。現在在此處介紹下：
在容器中有隊列：collection.deque
~~~
#隊列簡單測試：
from collections import deque
queue=deque(["peace","rong","sisi"])
queue.append("nick")
queue.append("pishi")
print(queue.popleft())
print(queue.popleft())
print(queue)
~~~
### 集合介紹：
在爬蟲程序中, 為了不重復爬那些已經爬過的網站, 我們需要把爬過的頁面的url放進集合中, 在每一次要爬某一個url之前, 先看看集合里面是否已經存在. 如果已經存在, 我們就跳過這個url; 如果不存在, 我們先把url放入集合中, 然后再去爬這個頁面.
Python 還 包 含 了 一 個 數 據 類 型—— set ( 集 合 ) 。 集 合 是 一 個 無 序 不 重 復 元素 的 集 。 基 本 功 能 包 括 關 系 測 試 和 消 除 重 復 元 素 。 集 合 對 象 還 支 持 union( 聯
合),intersection(交),difference(差)和 sysmmetric difference(對稱差集)等數學運算。
大括號或 set() 函數可以用來創建集合。 注意:想要創建空集合,你必須使用set() 而不是 {} 。{}用于創建空字典；
集合的創建演示如下：
~~~
a={"peace","peace","rong","rong","nick"}
print(a)
"peace" in a
b=set(["peace","peace","rong","rong"])
print(b)
#演示聯合
print(a|b)
#演示交
print(a&b)
#演示差
print(a-b)
#對稱差集
print(a^b)
#輸出：
{'peace', 'rong', 'nick'}
{'peace', 'rong'}
{'peace', 'rong', 'nick'}
{'peace', 'rong'}
{'nick'}
{'nick'}
~~~
### 正則表達式
在爬蟲時收集回來的一般是字符流，我們要從中挑選出url就要求有簡單的字符串處理能力，而用正則表達式可以輕松的完成這一任務；
正則表達式的步驟：1，正則表達式的編譯 2，正則表達式匹配字符串 3，結果的處理
下圖列出了正則表達式的語法：
在pytho中使用正則表達式，需要引入re模塊；下面介紹下該模塊中的一些方法；
### 1.compile和match
re模塊中compile用于生成pattern的對象，再通過調用pattern實例的match方法處理文本最終獲得match實例；通過使用match獲得信息；
~~~
import re
# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'rlovep')
# 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None
m = pattern.match('rlovep.com')
if m:
# 使用Match獲得分組信息
print(m.group())
### 輸出 ###
# rlovep
~~~
re.compile(strPattern[, flag]):
這個方法是Pattern類的工廠方法，用于將字符串形式的正則表達式編譯為Pattern對象。 第二個參數flag是匹配模式，取值可以使用按位或運算符’|’表示同時生效，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)與re.compile(‘(?im)pattern’)是等價的。
可選值有：
re.I(re.IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
M(MULTILINE): 多行模式，改變’^’和’$’的行為（參見上圖）
S(DOTALL): 點任意匹配模式，改變’.’的行為
L(LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區域設定
U(UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性
X(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。
Match:
Match對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。
~~~
屬性：
string: 匹配時使用的文本。
re: 匹配時使用的Pattern對象。
pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。
方法：
group([group1, …]):
獲得一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
groups([default]):
以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。
groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。
end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。
span([group]):
返回(start(group), end(group))。
expand(template):
將匹配到的分組代入template中然后返回。template中可以使用\id或\g<id>、 \g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認為是第10個分組，如果你想表達 \1之后是字符'0'，只能使用\g<1>0。
~~~
pattern:
Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。
Pattern不能直接實例化，必須使用re.compile()進行構造。
~~~
Pattern提供了幾個可讀屬性用于獲取表達式的相關信息：
pattern: 編譯時用的表達式字符串。
flags: 編譯時用的匹配模式。數字形式。
groups: 表達式中分組的數量。
groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。
實例方法[ | re模塊方法]：
match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
pos和endpos的默認值分別為0和len(string)；re.match()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
注意：這個方法并不是完全匹配。當pattern結束時若string還有剩余字符，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符'$'。
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
這個方法用于查找字符串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。 pos和endpos的默認值分別為0和len(string))；re.search()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數，不指定將全部分割。
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，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替換string中每一個匹配的子串后返回替換后的字符串。 當repl是一個字符串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。 當repl是一個方法時，這個方法應當只接受一個參數（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。 count用于指定最多替換次數，不指定時全部替換。
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替換次數)。
~~~
### 2.re.match(pattern, string, flags=0)
函數參數說明：
| 參數 | 描述 |
|-----|-----|
| pattern | 匹配的正則表達式 |
| string | 要匹配的字符串。 |
| flags | 標志位，用于控制正則表達式的匹配方式，如：是否區分大小寫，多行匹配等等。 |
匹配成功re.match方法返回一個匹配的對象，否則返回None。
我們可以使用group(num) 或 groups() 匹配對象函數來獲取匹配表達式。
| 匹配對象方法 | 描述 |
|-----|-----|
| group(num=0) | 匹配的整個表達式的字符串，group() 可以一次輸入多個組號，在這種情況下它將返回一個包含那些組所對應值的元組。 |
| groups() | 返回一個包含所有小組字符串的元組，從 1 到 所含的小組號。 |
演示如下：
~~~
#re.match.
import re
print(re.match("rlovep","rlovep.com"))##匹配rlovep
print(re.match("rlovep","rlovep.com").span())##從開頭匹配rlovep
print(re.match("com","http://rlovep.com"))##不再起始位置不能匹配成功
##輸出：
<_sre.SRE_Match object; span=(0, 6), match='rlovep'>
(0, 6)
None
~~~
實例二：使用group
~~~
import re
line = "This is my blog"
#匹配含有is的字符串
matchObj = re.match( r'(.*) is (.*?) .*', line, re.M|re.I)
#使用了組輸出：當group不帶參數是將整個匹配成功的輸出
#當帶參數為1時匹配的是最外層左邊包括的第一個括號，一次類推；
if matchObj:
print ("matchObj.group() : ", matchObj.group())#匹配整個
print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號
print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號
else:
print ("No match!!")
#輸出：
matchObj.group() : This is my blog
matchObj.group(1) : This
matchObj.group(2) : my
~~~
### 3re.search方法
re.search 掃描整個字符串并返回第一個成功的匹配。
函數語法：
~~~
re.search(pattern, string, flags=0)
~~~
函數參數說明：
| 參數 | 描述 |
|-----|-----|
| pattern | 匹配的正則表達式 |
| string | 要匹配的字符串。 |
| flags | 標志位，用于控制正則表達式的匹配方式，如：是否區分大小寫，多行匹配等等。 |
匹配成功re.search方法返回一個匹配的對象，否則返回None。
我們可以使用group(num) 或 groups() 匹配對象函數來獲取匹配表達式。
| 匹配對象方法 | 描述 |
|-----|-----|
| group(num=0) | 匹配的整個表達式的字符串，group() 可以一次輸入多個組號，在這種情況下它將返回一個包含那些組所對應值的元組。 |
| groups() | 返回一個包含所有小組字符串的元組，從 1 到 所含的小組號。 |
實例一：
~~~
import re
print(re.search("rlovep","rlovep.com").span())
print(re.search("com","http://rlovep.com").span())
#輸出：
import re
print(re.search("rlovep","rlovep.com").span())
print(re.search("com","http://rlovep.com").span())
~~~
實例二：
~~~
import re
line = "This is my blog"
#匹配含有is的字符串
matchObj = re.search( r'(.*) is (.*?) .*', line, re.M|re.I)
#使用了組輸出：當group不帶參數是將整個匹配成功的輸出
#當帶參數為1時匹配的是最外層左邊包括的第一個括號，一次類推；
if matchObj:
print ("matchObj.group() : ", matchObj.group())#匹配整個
print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號
print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號
else:
print ("No match!!")
#輸出：
matchObj.group() : This is my blog
matchObj.group(1) : This
matchObj.group(2) : my
~~~
search和match區別：
re.match只匹配字符串的開始，如果字符串開始不符合正則表達式，則匹配失敗，函數返回None；而re.search匹配整個字符串，直到找到一個匹配。
### python爬蟲小試牛刀
利用python抓取頁面中所有的http協議的鏈接，并遞歸抓取子頁面的鏈接。使用了集合和隊列；此去爬的是我的網站，第一版很多bug；
代碼如下：
~~~
import re
import urllib.request
import urllib
from collections import deque
#使用隊列存放url
queue = deque()
#使用visited防止重復爬同一頁面
visited = set()
url = 'http://rlovep.com' # 入口頁面, 可以換成別的
#入隊最初的頁面
queue.append(url)
cnt = 0
while queue:
url = queue.popleft() # 隊首元素出隊
visited |= {url} # 標記為已訪問
print('已經抓取: ' + str(cnt) + ' 正在抓取 <--- ' + url)
cnt += 1
try:
#抓取頁面
urlop = urllib.request.urlopen(url,timeout=10)
except Exception:
print("超時")
continue
#判斷是否為html頁面
if 'html' not in urlop.getheader('Content-Type'):
continue
# 避免程序異常中止, 用try..catch處理異常
try:
#轉換為utf-8碼
data = urlop.read().decode('utf-8')
except:
continue
# 正則表達式提取頁面中所有隊列, 并判斷是否已經訪問過, 然后加入待爬隊列
linkre = re.compile("href=['\"]([^\"'>]*?)['\"].*?")
for x in linkre.findall(data):##返回所有有匹配的列表
if 'http' in x and x not in visited:##判斷是否為http協議鏈接，并判斷是否抓取過
queue.append(x)
print('加入隊列 ---> ' + x)
~~~
結果如下：
#### 相關鏈接：
[python3入門之類](http://rlovep.com/2015/09/23/python3%E5%85%A5%E9%97%A8%E4%B9%8B%E7%B1%BB/)
[python3入門之函數](http://rlovep.com/2015/09/06/python3%E5%85%A5%E9%97%A8%E4%B9%8B%E5%87%BD%E6%95%B0/)
[python3入門之循環](http://rlovep.com/2015/09/06/python3%E5%85%A5%E9%97%A8%E4%B9%8B%E5%BE%AA%E7%8E%AF/)
[python3之if語句](http://rlovep.com/2015/08/05/python3%E4%B9%8Bif%E8%AF%AD%E5%8F%A5/)
[python3入門之賦值語句介紹](http://rlovep.com/2015/08/03/python3%E5%85%A5%E9%97%A8%E4%B9%8B%E8%B5%8B%E5%80%BC%E8%AF%AD%E5%8F%A5%E4%BB%8B%E7%BB%8D/)
[python3入門之print，import，input介紹](http://rlovep.com/2015/08/03/python3%E5%85%A5%E9%97%A8%E4%B9%8Bprint%EF%BC%8Cimport%EF%BC%8Cinput%E4%BB%8B%E7%BB%8D/)
[python3入門之set](http://www.cnblogs.com/onepeace/p/4791578.html)
[python3入門之字典](http://rlovep.com/2015/07/29/python3%E5%85%A5%E9%97%A8%E4%B9%8B%E5%AD%97%E5%85%B8/)
[python3入門之字符串](http://rlovep.com/2015/07/28/python%E5%85%A5%E9%97%A8%E4%B9%8B%E5%AD%97%E7%AC%A6%E4%B8%B2/)
[python3入門之列表和元組](http://rlovep.com/2015/07/14/python%E5%85%A5%E9%97%A8%E4%B9%8B%E5%88%97%E8%A1%A8%E5%92%8C%E5%85%83%E7%BB%84/)
[python3入門之軟件安裝](http://rlovep.com/2015/07/14/python%E5%85%A5%E9%97%A8%E4%B9%8B%E8%BD%AF%E4%BB%B6%E5%AE%89%E8%A3%85/)
[python3爬蟲之入門和正則表達式](http://rlovep.com/2015/09/23/python3%E7%88%AC%E8%99%AB%E4%B9%8B%E5%85%A5%E9%97%A8%E5%92%8C%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F/)
