使用Perl进行网页数据抓取[初学者简明版]

sharpds77

　　在工作中，经常需要将网页上的大块大块的标准化的内容下载下来。这个时候，没有什么比编写个脚本更方便的了。
　　为什么选择Perl来做，主要还是Perl在文本处理方面有着天然的优势。
　　以最近同事让我做的下载加油站网站作为例子，加油站的网址是：http://www.cheduoshao.com/gas/1/，同事想把加油站的名称和地址，下载下来，要一个一个粘贴太没效率了。
　　做这个事情的大概顺序是：
　　1，Perl
　　既然是初学，首先要会用Perl，如果会的话，可以跳过这部分。如果不会也没关系，先安装一下，在网上搜ActivePerl的win32安装包，一路下一步就好了。怎么运行呢，拿记事本写个Perl程序，保存到D盘根目录下，名字是1.pl，内容是：



#!perl -w
use strict;
print "Hello,World!\n";
　　然后进CMD，在D:\下，输入1.pl回车，如果不行，就输入perl 1.pl，就能看到我们的HelloWorld了。
Perl其实挺简单的，下个《Perl语言入门》，作者是Randal L.Scbwartz，把2，3，4，5，8，9章看完就OK了，正则表达式一定要会。
　　2，分析网页结构
　　在网页中找到最后一页：http://www.cheduoshao.com/gas/1/62.html，这样可以观察到，北京的加油站就是http://www.cheduoshao.com/gas/1/××页.html。所以只要做一次从1-62的遍历，就可以从第一页抓取到第62页了；
　　在网页中，选择查看源文件，会发现，其实每一页的加油站的列表，每个加油站对应的源代码都是一样的（废话～），比如这段：



            </script>
<ul>
<li class="width310">
<h1><a href="/gas/details_51812.html" target="_blank">中石化石泉加油站</a></h1>
<p>地址：北京市海淀北京市海淀区万柳路南，巴沟路北，圣化寺路口向北</p>
</li>
<li class="width400"><p></p></li>
<li class="width140">
　　那正则表达式，提取就好了，表达式是：s#class="width310">.+?href=".+?>(.+?)<.+?p>(.+?)<##xs
　　3，编码：
　　然后就是源代码了：



#!perl -w
use strict;
use LWP::UserAgent;
open OUTPUT,'>','weblist.txt' or die 'weblist.txt error!';
my $get_page = LWP::UserAgent -> new;
$get_page -> timeout(10);
my $page_addr = '';
my $response = '';
my $content = '';
my $pro_name = '';
my $pro_addr = '';
my $web_list = '';
&print_list();
sub print_list{
foreach (1 .. 10 ){    #
        $page_addr = 'http://www.cheduoshao.com/gas/1_0_null_p'.$_.'.html';#此处是每页的网址
$response = $get_page -> get( $page_addr );
$content = $response -> content;
print $_."done\n";
$content =~ s#<!DOCTYPE.+?class="jy_6">##xs;
while ( $content =~ s#class="width310">.+?href=".+?>(.+?)<.+?p>(.+?)<##xs){
$pro_name = $1;
$pro_addr = $2;
print OUTPUT "$pro_name\t$pro_addr\n";
}
}
}
　　输出的weblist.txt，复制到excel里面，因为每行有\t隔开，所以直接就是表格形式的。
　　也有复杂的网页，其实一个道理，我一般是用txt作为中转，先在列表页抓取所有内容页的网址写入txt，再做个程序依次地抓取内容页。