京東（JD.com）是中國(guó)最大的自營(yíng)式電商企業(yè)，2015年第一季度在中國(guó)自營(yíng)式B2C電商市場(chǎng)的占有率為56.3%。如此龐大的一個(gè)電商網(wǎng)站，上面的商品信息是海量的，小編今天就帶小伙伴利用正則表達(dá)式，并且基于輸入的關(guān)鍵詞來(lái)實(shí)現(xiàn)主題爬蟲(chóng)。

首先進(jìn)去京東網(wǎng)，輸入自己想要查詢(xún)的商品，小編在這里以關(guān)鍵詞“狗糧”作為搜索對(duì)象，之后得到后面這一串網(wǎng)址：https://search.jd.com/Search?keyword=%E7%8B%97%E7%B2%AE&enc=utf-8，其實(shí)參數(shù)%E7%8B%97%E7%B2%AE解碼之后就是“狗糧”的意思。那么非常明顯，只要輸入keyword這個(gè)參數(shù)之后，將其進(jìn)行編碼，就可以獲取到我們的目標(biāo)網(wǎng)址了，請(qǐng)求網(wǎng)頁(yè)，得到響應(yīng)，爾后利用選擇器便可以進(jìn)行下一步的精準(zhǔn)采集了。

在京東網(wǎng)上，狗糧信息在京東官網(wǎng)上的網(wǎng)頁(yè)源碼如下圖所示：

狗糧信息在京東官網(wǎng)上的網(wǎng)頁(yè)源碼

話(huà)不多說(shuō)，直接擼代碼，如下圖所示。小編用的是py3，也建議大家以后多用py3版本。通常URL編碼的方式是把需要編碼的字符轉(zhuǎn)化為%xx的形式，一般來(lái)說(shuō)URL的編碼是基于UTF-8的，當(dāng)然也有的于瀏覽器平臺(tái)有關(guān)。在Python的urllib庫(kù)中提供了quote方法，可以實(shí)現(xiàn)對(duì)URL的字符串進(jìn)行編碼，從而可以進(jìn)入到對(duì)應(yīng)的網(wǎng)頁(yè)中去。

正則表達(dá)式，又稱(chēng)正規(guī)表示式、正規(guī)表示法、正規(guī)表達(dá)式、規(guī)則表達(dá)式、常規(guī)表示法（英語(yǔ)：Regular Expression，在代碼中常簡(jiǎn)寫(xiě)為regex、regexp或RE），是一種可以用于模式匹配和替換的強(qiáng)有力的工具。找到目標(biāo)網(wǎng)頁(yè)之后，調(diào)用urllib中的urlopen函數(shù)打開(kāi)網(wǎng)頁(yè)并獲取源碼，之后利用正則表達(dá)式實(shí)現(xiàn)對(duì)目標(biāo)信息的精準(zhǔn)采集。

利用正則表達(dá)式實(shí)現(xiàn)對(duì)目標(biāo)信息的精準(zhǔn)采集

正則表達(dá)式寫(xiě)在這個(gè)程序中確實(shí)蠻復(fù)雜的，也占據(jù)了多行，但是主要用到的正則表達(dá)式是[wW]+?和[sS]+?。

[sS]或者[wW]是完全通配的意思，s是指空白，包括空格、換行、tab縮進(jìn)等所有的空白，而S剛好相反。這樣一正一反下來(lái)，就表示所有的字符，完全的，一字不漏的。另外，[]這個(gè)符號(hào)，表示在它里面包含的單個(gè)字符不限順序的出現(xiàn)，比如下面的正則：[ace]*，這表示，只要出現(xiàn)a/c/e這三個(gè)任意的字母，都會(huì)被匹配。

此外，[s]表示，只要出現(xiàn)空白就匹配；[S]表示，非空白就匹配。那么它們的組合，表示所有的都匹配，與它相對(duì)應(yīng)的，有[wW]等，意義完全相同。其實(shí)，[sS] 和 [wW]這樣的用法，比'.'所匹配的還要多，因?yàn)?.'是不會(huì)匹配換行的，所有出現(xiàn)有換行匹配的時(shí)候，人們就習(xí)慣 使用[sS]或者[wW]這樣的完全通配模式。

最后得到的輸出效果圖如下所示：

輸出效果圖

這樣小伙伴們就可以獲取到狗糧的商品信息了，當(dāng)然，小編在這里只是拋磚引玉，只匹配了四個(gè)信息，而且只是做了個(gè)單頁(yè)的獲取。需要更多數(shù)據(jù)的小伙伴們可以自行去更改正則表達(dá)式和設(shè)置多頁(yè)，達(dá)到你想要的效果。下篇文章小編將利用美麗的湯BeautifulSoup來(lái)進(jìn)行匹配目標(biāo)數(shù)據(jù)，實(shí)現(xiàn)目標(biāo)信息的精準(zhǔn)獲取。

最后給大家簡(jiǎn)單介紹一下正則表達(dá)式。正則表達(dá)式使用單個(gè)字符串來(lái)描述、匹配一系列匹配某個(gè)句法規(guī)則的字符串。在很多文本編輯器里，正則表達(dá)式通常被用來(lái)檢索、替換那些匹配某個(gè)模式的文本。

正則表達(dá)式對(duì)于初學(xué)者確實(shí)晦澀難懂，不過(guò)慢慢學(xué)習(xí)還是可以掌握的，并不一定要完全記下來(lái)，但是你要知道什么時(shí)候需要什么參數(shù)，能做到順利使用它就可以了。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。