- 1、本文档共4页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
PAGE
PAGE 2
本教程是一个简单的perl爬虫例子,使用正则表达式来抓取网页的内容(主要是为了练习练习正则,真的爬虫都不用正则而是使用DOM).
本教程的测试网站为(/weather/101020100.shtml)目的是抓取网站上如下表中的天气信息。
最后的结果为
使用到的工具(firefox浏览器,firebug插件,perl)
教程开始
1:观察网页结构
1.1 我们使用firebug发现我们想要抓取的表格的HTML代码结构为
1.2 我们看到我们要的表格放在3个 class=”yuBaoTable” 的table标签中,所以我们用一个正则将我们要的3段table存到一个一个数组中。(这里我们用perl来做)
$start = table class=yuBaoTable ;
$end = /table;
my @find_all = ($re =~ /$start(.*?)$end/gs);
1.3 进入每段table我们又发现每天的白天和黑夜是放在两个tr标签里的1.4 所以我们又用一个正则将两个tr中的代码存到一个数组
my @find_day = (/tr(.*?)\/tr/gs);
1.5 现在我们得到的就是我们需要抓取的最小单位了(每个白天/晚上的天气情况),接着用一堆正则将我们要的信息捕获出来即可
foreach my $re1(@find_day){
if($re1 =~ /(\d{1,2}日星期.*?)\/a/s){
print $1\n;
}
if($re1 =~ /(白天|夜间)/s){
printf %8s:,$1;
}
if($re1 =~ /(晴|多云|阴|小雨|中雨|小到中雨|阵雨)/s){
printf %5s ,$1;
} #30
if($re1 =~ /(高温|低温).*?\strong(.*?)\/strong/s){
printf %8s:%5s,$1,$2 ;
}
if($re1 =~ /(西北风|北风|东北方|东风|东南风|南风|西南风|西风)/s){
printf %8s:,$1;
}
if($re1 =~ /.*?(\d-\d级).*?\/a/s){
printf %6s\n,$1;
}
}
抓取结束。。。
贴上完整代码(perl版)
use strict;
use warnings;
use Encode; ##添加处理中文的模块
use LWP::UserAgent; ##perl中用来处理网页请求的模块
my $ua = LWP::UserAgent-new();
$ua-timeout(10);
my $r = $ua-get(/weather/101020100.shtml);
if ($r-is_success){
my $re = encode(gb2312,$r-decoded_content); ##用于处理中文乱码
my $start = div class=weatherYubaoBox;
my $end = /div;
if($re =~ /($start.*?$end)/s){
$re = $1;
}
$start = table class=yuBaoTable ;
$end = /table;
my @find_all = ($re =~ /$start(.*?)$end/gs); ##将每天的天气信息存在一个数组中
foreach (@find_all){
my @find_day = (/tr(.*?)\/tr/gs); ##将同一天的白天和晚上的信息存在一个数组中
foreach my $re1(@find_day){
if($re1 =~ /(\d{1,2}日星期.*?)\/a/s){
print $1\n;
}
if($re1 =~ /(白天|夜间)/s){
printf %8s:,$1;
}
if($re1 =~ /(晴|多云|阴|小雨|中雨|小到中雨|阵雨)/s){
printf %5s ,$1;
} #30
if($re1 =~ /(高温|低温).*?\strong(.*?)\/strong/s){
printf %8s:%5s,$1,$2 ;
}
if($re1 =~ /(西北风|北风|东北方|东风|东南风|南风|西南风|西风)/s){
printf %8s:,$1;
}
if($re1 =~ /.*?(\
文档评论(0)