我的第一个小爬虫程序－python

• 爬什么？爬代理服务器网站的服务器 端口 代理种类 所在地区 更新日期 今日评分 总的评分 可用 速度测评信息，这样的网页有七八个，好在网址明名很规则

  

具体说就是爬很多的这样的html代码里的信息

 <span class="tbBottomLine" style="width:140px;">
     58.222.254.11
 </span>
 <span class="tbBottomLine" style="width:50px;">
         3128
 </span>
 <span class="tbBottomLine " style="width:70px;">
     高匿
 </span>
 <span class="tbBottomLine " style="width:70px;">
     中国
 </span>
 <span class="tbBottomLine " style="width:80px;">
     09月05日
 </span>
 <span class="tbBottomLine " style="width:80px;">
     3.44(70票)
 </span>
 <span class="tbBottomLine " style="width:60px;">
     3.44
 </span>
 <span class="tbBottomLine " style="width:30px;">
     14天
 </span>

• 怎么爬？利用python里的这个库urllib2，当然也要用正则，这里不得说我的正则好复杂（实在是想不到怎么简化）

import re
import urllib2

orgi=r'http://www.proxy360.cn/Region/'
proxywebs=['China','Brazil','America','Taiwan','Japan','Thailand','Vietnam','bahrein']

def get_Proxy_Info():
    f=open('proxy.txt','w+')
    p=re.compile("<span[^>]*>[\s]*(\S+?)[\s]*</span>[\s]*<span[^>]*>[\s]*(\S+?)[\s]*</span>[\s]*<span[^>]*>[\s]*(\S+?)[\s]*</span>[\s]*<span[^>]*>[\s]*(\S+?)[\s]*</span>[\s]*<span[^>]*>[\s]*(\S+?)[\s]*</span>[\s]*<span[^>]*>[\s]*(\S+?)[\s]*</span>[\s]*<span[^>]*>[\s]*(\S+?)[\s]*</span>[\s]*<span[^>]*>[\s]*(\S+?)[\s]*</span>")
     '''
    服务器 端口 代理种类 所在地区 更新日期 今日评分 总的评分 可用 速度测评 '''
    for s in proxywebs:
        target=orgi+s;
        req=urllib2.urlopen(target)
        mystr=req.read()
        tmp=p.findall(mystr)
        for t in tmp:
            f.write('\t'.join(t))
            f.write('\n')
            f.flush()
    f.close()

if __name__=="__main__":
    get_Proxy_Info()

• 原理，或流程
  超简单，获取指定网页的源代码，返回类型是字符串，我们利用正则表达式匹配到我们想抓去的部分，利用分组进一步提取出来，然后保存或者之后的数据分析，显然这一步我没有做

• 注意事项

  • 网页的编码，一般是UTF8，万一不是呢？我写的时候，保存的时候乱码了，后来才知道要注意编码格式

  • 正则的编写，这个考功底，其实也不然，你也可以很死的写，虽然我不推荐，但是我一开始只会这样写

<span class="tbBottomLine" style="width:140px;">\r\n(.+?)\r\n</span>
<span class="tbBottomLine" style="width:50px;">\r\n(.+?)\r\n</span>
<span class="tbBottomLine " style="width:70px;">\r\n(.+?)\r\n</span>
<span class="tbBottomLine " style="width:70px;">\r\n(.+?)\r\n</span>
<span class="tbBottomLine " style="width:80px;">\r\n(.+?)\r\n</span>
<span class="tbBottomLine " style="width:80px;">\r\n(.+?)\r\n</span>
<span class="tbBottomLine " style="width:60px;">\r\n(.+?)\r\n</span>
<span class="tbBottomLine " style="width:30px;">\r\n(.+?)\r\n</span>

很糟糕，但是能爬下来-_-#

• 结果
  

注：环境：python2.7 WingIDE