Python学习之路 (五)爬虫(四)正则表示式爬去名言网
爬虫的四个主要步骤
- 明确目标 (要知道你准备在哪个范围或者网站去搜索)
- 爬 (将所有的网站的内容全部爬下来)
- 取 (去掉对我们没用处的数据)
- 处理数据(按照我们想要的方式存储和使用)
什么是正则表达式
正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。
给定一个正则表达式和另一个字符串,我们可以达到如下的目的:
- 给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);
- 通过正则表达式,从文本字符串中获取我们想要的特定部分(“过滤”)。
正则表达式匹配规则
Python 的 re 模块
在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。
有一点需要特别注意的是,正则表达式使用 对特殊字符进行转义,所以如果我们要使用原始字符串,只需加一个 r 前缀,示例:
r'chuanzhiboke\t\.\tpython'
使用正则爬去名言网的名言,只获取首页的10条数据
from urllib.request import urlopen import redef spider_quotes():url = "http://quotes.toscrape.com"response = urlopen(url)html = response.read().decode("utf-8")# 获取 10 个 名言quotes = re.findall('<span class="text" itemprop="text">(.*)</span>',html)list_quotes = []for quote in quotes:# strip 从两边开始搜寻,只要发现某个字符在当前这个方法的范围内,统统去掉list_quotes.append(quote.strip("“”"))# 获取 10 个名言的作者list_authors = []authors = re.findall('<small class="author" itemprop="author">(.*)</small>',html)for author in authors:list_authors.append(author)# 获取这10个名言的 标签tags = re.findall('<div class="tags">(.*?)</div>',html,re.RegexFlag.DOTALL)list_tags = []for tag in tags:temp_tags = re.findall('<a class="tag" href=".*">(.*)</a>',tag)tags_t1 = []for tag in temp_tags:tags_t1.append(tag)list_tags.append(",".join(tags_t1))# 结果汇总results = []for i in range(len(list_quotes)):results.append("\t".join([list_quotes[i],list_authors[i],list_tags[i]]))for result in results:print(result)#调取方法 spider_quotes()
BeautifulSoup4解析器
BeautifulSoup 用来解析 HTML 比较简单,API非常人性化,支持CSS选择器、Python标准库中的HTML解析器,也支持 lxml 的 XML解析器。
官方文档:http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0
使用BeautifulSoup4获取名言网首页数据
from urllib.request import urlopen from bs4 import BeautifulSoupurl = "http://quotes.toscrape.com" response = urlopen(url)# 初始化一个 bs 实例 # 对应的response对象的解析器, 最常用的解析方式,就是默认的 html.parser bs = BeautifulSoup(response, "html.parser")# 获取 10 个 名言 spans = bs.select("span.text") list_quotes = [] for span in spans:span_text = span.textlist_quotes.append(span_text.strip("“”"))# 获取 10 个名言的作者 authors = bs.select("small") list_authors = [] for author in authors:author_text = author.textlist_authors.append(author_text)# 获取这10个名言的 标签 divs = bs.select("div.tags") list_tags = [] for div in divs:tag_text = div.select("a.tag")tag_list = [ tag_a.text for tag_a in tag_text]list_tags.append(",".join(tag_list))#结果汇总 results = [] for i in range(len(list_quotes)):results.append("\t".join([list_quotes[i],list_authors[i],list_tags[i]]))for result in results:print(result)
转载于:https://www.cnblogs.com/qingyunzong/p/8659730.html
Python学习之路 (五)爬虫(四)正则表示式爬去名言网相关推荐
- python功能性爬虫案例_Python爬虫实现使用beautifulSoup4爬取名言网功能案例
本文实例讲述了Python爬虫实现使用beautifulSoup4爬取名言网功能.分享给大家供大家参考,具体如下: 爬取名言网top10标签对应的名言,并存储到mysql中,字段(名言,作者,标签) ...
- Python学习之路五
文章目录 迭代器 高阶函数 map reduce sorted filter 推导式 列表推导式 集合推导式 字典推导式 生成器 迭代器 迭代器:能被next进行调用,并且不断返回一下值的对象. 特征 ...
- 爬虫实战1-多进程爬取 名言网
import requests import re from multiprocessing import Pooldef get_html(url, header=''):''':param url ...
- Python学习之路9☞面向对象的程序设计
Python学习之路9☞面向对象的程序设计 一 面向对象的程序设计的由来 见概述:http://www.cnblogs.com/linhaifeng/articles/6428835.html 二 什 ...
- 我的Python学习之路(一)_Mr_Ouyang
我的Python学习之路(一)_Mr_Ouyang 笔者按: 本文从18:55开始写作,至19:38中断,又从21:12始继续,至23:22写就. 共计耗时113分钟,总字数9081字,约80.4字/ ...
- Python学习之路【第一篇】-Python简介和基础入门
1.Python简介 1.1 Python是什么 相信混迹IT界的很多朋友都知道,Python是近年来最火的一个热点,没有之一.从性质上来讲它和我们熟知的C.java.php等没有什么本质的区别,也是 ...
- Python学习系列(五)(文件操作及其字典)
Python学习系列(五)(文件操作及其字典) Python学习系列(四)(列表及其函数) 一.文件操作 1,读文件 在以'r'读模式打开文件以后可以调用read函数一次性将文件内容全部读出 ...
- python学习笔记(五)缩进
python学习笔记(五)缩进 原作:http://www.cnblogs.com/vamei/archive/2012/05/29/2524706.html 笔记: #!/usr/bin/env p ...
- Python学习之路5☞文件处理
Python学习之路5☞文件处理 一.文件处理流程 打开文件,得到文件句柄并赋值给一个变量 通过句柄对文件进行操作 关闭文件 1 正趣果上果 2 Interesting fruit fruit 3 4 ...
最新文章
- [网摘学习]在Ubuntu上安装和配置OpenStack Nova之二
- 1、为什么使用Long时,推荐多使用valueOf方法,少使用parseLong方法
- N使用exus2打造企业maven仓库(三)
- (z) 什么是好的硬件工程师
- 【LeetCode】剑指 Offer 18. 删除链表的节点
- 兼容超大图片的处理_N年都没弄明白!PS保存的图片格式都啥意思?
- atitit 商业项目常用模块技术知识点 v3 qc29
- 打印机驱动 - HP LaserJet P1008(适用于大部分惠普打印机)
- linux系统自动获取ip地址,Linux系统怎么自动获取ip地址用什么命令
- Ubuntu安装wine
- NVT | 67x USB MSDC设备分析
- 在线CRM客户管理系统有好用的吗?这5款千万别错过!
- 使用反向代理给 PPA 加速
- 量子计算机物理装置的总称,量子到底是什么?解读量子世界以及量子的实际应用!...
- 【免费】如何轻松的从音乐网站下载自己喜欢的mp3音乐?
- Windows/Linux混合刻录之后,光盘文件不见了?
- 如何查看电脑上面的maven版本?
- 【学习笔记】Docker基础实战教程一:入门
- C语言实现动态数组大小
- 编程大实践 # python # 嵩天 # Cilay