Python爬虫开发【第1篇】【正则表达式】
非结构化数据:HTML(正则表达式、XPath、CSS选择器)
结构化数据:JSON文件(JSON Path、转化为Python类型进行操作)
XML文件(转化成Python类型、XPath、CSS选择器)
1、正则表达式
它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。
2、re模块
2.1、re模块使用步骤:
使用
compile()
函数将正则表达式的字符串形式编译为一个Pattern
对象通过
Pattern
对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象。- 最后使用
Match
对象提供的属性和方法获得信息,根据需要进行其他的操作
2.2、compile()
compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:
import re# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
Pattern 对象的一些常用方法主要有:
- match 方法:从起始位置开始查找,一次匹配
- search 方法:从任何位置开始查找,一次匹配
- findall 方法:全部匹配,返回列表
- finditer 方法:全部匹配,返回迭代器
- split 方法:分割字符串,返回列表
- sub 方法:替换
2.2.1、match方法:
match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。
它的一般使用形式如下:re.match(pattern, string, flags=0)
其中,pattern表示匹配的正则表达式,string 是要匹配的字符串,标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等
例1:>>> import re
>>> pattern = re.compile(r'\d+') # 用于匹配至少一个数字
>>> m = pattern.match('one12twothree34four') # 查找头部,没有匹配
>>> print m None
>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配,没有匹配
>>> print m None
>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配,正好匹配
>>> print m # 返回一个 Match 对象 <_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0) # 可省略 0 '12'
>>> m.start(0) # 可省略 0 3
>>> m.end(0) # 可省略 0 5
>>> m.span(0) # 可省略 0 (3, 5) group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0); start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0; end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0; span([group]) 方法返回 (start(group), end(group))。例2:>>> import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写
>>> m = pattern.match('Hello World Wide Web')>>> print m # 匹配成功,返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>>>> m.group(0) # 返回匹配成功的整个子串
'Hello World'>>> m.span(0) # 返回匹配成功的整个子串的索引
(0, 11)>>> m.group(1) # 返回第一个分组匹配成功的子串
'Hello'>>> m.span(1) # 返回第一个分组匹配成功的子串的索引
(0, 5)>>> m.group(2) # 返回第二个分组匹配成功的子串
'World'>>> m.span(2) # 返回第二个分组匹配成功的子串
(6, 11)>>> m.groups() # 等价于 (m.group(1), m.group(2), ...)
('Hello', 'World')>>> m.group(3) # 不存在第三个分组
Traceback (most recent call last):File "<stdin>", line 1, in <module>
IndexError: no such group
2.2.2、Search方法
search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,
它的一般使用形式如下:search(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
例1:
>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four') # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30) # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)例2:
# -*- coding: utf-8 -*-import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
m = pattern.search('hello 123456 789')
if m:# 使用 Match 获得分组信息print 'matching string:',m.group()# 起始位置和结束位置print 'position:',m.span()
执行结果:matching string: 123456
position: (6, 12)
2.2.3、findall方法
findall可以搜索整个字符串,获得所有匹配的结果。
findall 方法的使用形式如下:findall(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。
例1:
import re
pattern = re.compile(r'\d+') # 查找数字result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)print result1
print result2
执行结果:['123456', '789']
['1', '2']例2:
# re_test.pyimport re#re模块提供一个方法叫compile模块,提供我们输入一个匹配的规则
#然后返回一个pattern实例,我们根据这个规则去匹配字符串
pattern = re.compile(r'\d+\.\d*')#通过partten.findall()方法就能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")#findall 以 列表形式 返回全部能匹配的子串给result
for item in result:print item
运行结果:123.141593
3.15
2.2.4、finditer方法
finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。
# -*- coding: utf-8 -*-import re
pattern = re.compile(r'\d+')result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)print type(result_iter1)
print type(result_iter2)print 'result1...'
for m1 in result_iter1: # m1 是 Match 对象print 'matching string: {}, position: {}'.format(m1.group(), m1.span())print 'result2...'
for m2 in result_iter2:print 'matching string: {}, position: {}'.format(m2.group(), m2.span())
执行结果:<type 'callable-iterator'>
<type 'callable-iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)
2.2.5、spilt方法
split 方法按照能够匹配的子串将字符串分割后返回列表,
它的使用形式如下:split(string[, maxsplit])
其中,maxsplit 用于指定最大分割次数,不指定将全部分割。
import re
p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c d')
执行结果:['a', 'b', 'c', 'd']
2.2.6、sub方法
sub 方法用于替换。
它的使用形式如下:sub(repl, string[, count])
其中,repl 可以是字符串也可以是一个函数:
如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;
如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
- count 用于指定最多替换次数,不指定时全部替换。
import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'print p.sub(r'hello world', s) # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
print p.sub(r'\2 \1', s) # 引用分组def func(m):return 'hi' + ' ' + m.group(2)print p.sub(func, s)
print p.sub(func, s, 1) # 最多替换一次
执行结果:hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
2.2.7、匹配中文
假设现在想把字符串 title = u'你好,hello,世界' 中的中文提取出来,可以这么做:import retitle = u'你好,hello,世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)print result
正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。执行结果:
[u'\u4f60\u597d', u'\u4e16\u754c']
3、贪婪模式与非贪婪模式
- 贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配 ( * );
- 非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配 ( ? );
- Python里数量词默认是贪婪的。
例1 : 源字符串:abbbc
使用贪婪的数量词的正则表达式 ab* ,匹配结果: abbb。
* 决定了尽可能多匹配 b,所以a后面所有的 b 都出现了。使用非贪婪的数量词的正则表达式ab*?,匹配结果: a。
即使前面有 *,但是 ? 决定了尽可能少匹配 b,所以没有 b。
例2: 源字符串:aa<div>test1</div>bb<div>test2</div>cc
使用贪婪的数量词的正则表达式:<div>.*</div>匹配结果:<div>test1</div>bb<div>test2</div>这里采用的是贪婪模式。在匹配到第一个“</div>”时已经可以使整个表达式匹配成功,但是由于采用的是贪婪模式,所以仍然要向右尝试匹配,查看是否还有更长的可以成功匹配的子串。匹配到第二个“</div>”后,向右再没有可以成功匹配的子串,匹配结束,匹配结果为“<div>test1</div>bb<div>test2</div>”
4、正则表达式测试网址
5、正则表达式爬虫案例:
5.1、目标:爬取内涵段子网站: http://www.neihan8.com/article/list_5_1.html
5.2、获取数据:
5.2.1、需要一个加载页面的方法
统一定义一个类,将url请求作为一个成员方法处理。
创建一个文件,叫duanzi_spider.py
然后定义一个Spider类,并且添加一个加载页面的成员方法import urllib2class Spider:"""内涵段子爬虫类"""def loadPage(self, page):"""@brief 定义一个url请求网页的方法@param page 需要请求的第几页@returns 返回的页面html"""url = "http://www.neihan8.com/article/list_5_" + str(page) + ".html"#User-Agent头user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT;6.1; Trident/5.0')headers = {'User-Agent': user_agent}req = urllib2.Request(url, headers = headers)response = urllib2.urlopen(req)html = response.read()print html#return html
5.2.2、 写main函数测试一个loadPage方法
if __name__ == '__main__':"""======================内涵段子小爬虫======================"""print '请按下回车开始'raw_input()#定义一个Spider对象mySpider = Spider()mySpider.loadpage(1)
程序正常执行的话,我们会在屏幕上打印了内涵段子第一页的全部html代码。 但是我们发现,html中的中文部分显示的可能是乱码 。
5.2.3、乱码问题解决办法
对源码进行处理:
def loadPage(self, page):"""@brief 定义一个url请求网页的方法@param page 需要请求的第几页@returns 返回的页面html"""url = "http://www.neihan8.com/article/list_5_" + str(page) + ".html"#User-Agent头user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT;6.1; Trident/5.0')headers = {'User-Agent': user_agent}req = urllib2.Request(url, headers = headers)response = urllib2.urlopen(req)html = response.read()gbk_html = html.decode('gbk').encode('utf-8')# print gbk_htmlreturn gbk_html
注意 :对于每个网站对中文的编码各自不同,所以html.decode(‘gbk’)的写法并不是通用写法,根据网站的编码而异
5.3、筛选数据
- 首先:
import re
- 然后, 在得到的
gbk_html
中进行筛选匹配 - 编写匹配规则
def loadPage(self, page):"""@brief 定义一个url请求网页的方法@param page 需要请求的第几页@returns 返回的页面html"""url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"#User-Agent头user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0'headers = {'User-Agent': user_agent}req = urllib2.Request(url, headers = headers)response = urllib2.urlopen(req)html = response.read()gbk_html = html.decode('gbk').encode('utf-8')#找到所有的段子内容<div class = "f18 mb20"></div>#re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串,如果没有则下一行重新匹配# 如果加上re.S 则是将所有的字符串将一个整体进行匹配pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</div>', re.S)item_list = pattern.findall(gbk_html)return item_listdef printOnePage(self, item_list, page):"""@brief 处理得到的段子列表@param item_list 得到的段子列表@param page 处理第几页"""print "******* 第 %d 页 爬取完毕...*******" %pagefor item in item_list:print "================"print ite
这里需要注意一个是re.S是正则表达式中匹配的一个参数。如果 没有re.S 则是 只匹配一行 有没有符合规则的字符串,如果没有则下一行重新匹配。如果 加上re.S 则是将 所有的字符串 将一个整体进行匹配,findall 将所有匹配到的结果封装到一个list中。
然后我们写了一个遍历item_list的一个方法 printOnePage() 。 ok程序写到这,我们再一次执行一下。
Power@PowerMac ~$ python duanzi_spider.py
我们第一页的全部段子,不包含其他信息全部的打印了出来。你会发现段子中有很多 <p> , </p> 很是不舒服,实际上这个是html的一种段落的标签。
在浏览器上看不出来,但是如果按照文本打印会有<p>出现,那么我们只需要把我们不希望的内容去掉即可了。我们可以如下简单修改一下 printOnePage().def printOnePage(self, item_list, page):"""@brief 处理得到的段子列表@param item_list 得到的段子列表@param page 处理第几页"""print "******* 第 %d 页 爬取完毕...*******" %pagefor item in item_list:print "================"item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")print item
5.4、保存数据
def writeToFile(self, text):
'''@brief 将数据追加写进文件中@param text 文件内容
'''myFile = open("./duanzi.txt", 'a') #追加形式打开文件myFile.write(text)myFile.write("---------------------------------------------
--------")myFile.close()
然后我们将print的语句 改成writeToFile() ,当前页面的所有段子就存在了本地的MyStory.txt文件中。
def printOnePage(self, item_list, page):
'''@brief 处理得到的段子列表@param item_list 得到的段子列表@param page 处理第几页
'''print "******* 第 %d 页 爬取完毕...*******" %pagefor item in item_list:# print "================"item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")# print itemself.writeToFile(item)
5.5、显示数据
def doWork(self):
'''让爬虫开始工作
'''while self.enable:try:item_list = self.loadPage(self.page)except urllib2.URLError, e:print e.reasoncontinue#对得到的段子item_list处理self.printOnePage(item_list, self.page)self.page += 1 #此页处理完毕,处理下一页print "按回车继续..."print "输入 quit 退出"command = raw_input()if (command == "quit"):self.enable = Falsebreak
转载于:https://www.cnblogs.com/loser1949/p/9384996.html
Python爬虫开发【第1篇】【正则表达式】相关推荐
- python爬虫防呆笔记:正则表达式篇之一
python爬虫笔记 第一部分:正则表达式 基本效果展示 加载猫眼电影网的html文本作为训练文本 这里先讲一下header,这里的header就写一项,不写就爬不出来,这一项是User-Agent, ...
- python爬虫项目实例-Python爬虫开发与项目实战
Python爬虫开发与项目实战(高清版)PDF 百度网盘 链接:https://pan.baidu.com/s/1MFexF6S4No_FtC5U2GCKqQ 提取码:gtz1 复制这段内容后打开百度 ...
- python爬虫开发环境_python爬虫开发教程下载|Python爬虫开发与项目实战(范传辉 著)pdf 完整版_ - 极光下载站...
Python爬虫开发与项目实战pdf扫描版下载.Python爬虫开发是一个Pthyon编程语言与HTML基础知识引领读者入门知识,重点讲述了云计算的相关内容及其在爬虫中的应用,进而介绍如何设计自己的爬 ...
- Python爬虫开发从入门到实战
Python爬虫开发从入门到实战(微课版) 第1章 绪论 爬虫的主要目的是获取网页内容并解析.只要能达到这个目的,用什么方法都没有问题. 关于获取网页,本书主要介绍了Python的两个第三方模块,一个 ...
- python爬虫开发教程-01-环境搭建
本人没有Mac,请在windows环境下安装.所以MAC里面能安装VM并启动Win操作系统么 所需要安装的软件,部分上传到了我的百度云,建议先下载完毕后再进行后续操作 链接:https://pan.b ...
- 《Python爬虫开发与项目实战》——第3章 初识网络爬虫 3.1 网络爬虫概述
本节书摘来自华章计算机<Python爬虫开发与项目实战>一书中的第3章,第3.1节,作者:范传辉著,更多章节内容可以访问云栖社区"华章计算机"公众号查看 第3章 初识网 ...
- 《Python爬虫开发与项目实战》——1.6 小结
本节书摘来自华章计算机<Python爬虫开发与项目实战>一书中的第1章,第1.6节,作者:范传辉著,更多章节内容可以访问云栖社区"华章计算机"公众号查看 1.6 小结 ...
- 《Python爬虫开发与项目实战》——第1章 回顾Python编程 1.1 安装Python
本节书摘来自华章计算机<Python爬虫开发与项目实战>一书中的第1章,第1.1节,作者:范传辉著,更多章节内容可以访问云栖社区"华章计算机"公众号查看 第1章 回顾P ...
- Python爬虫之豆瓣排行榜(正则表达式)
Python爬虫之豆瓣排行榜(正则表达式) 1. 项目目标 使用Chrome浏览器打开网页https://maoyan.com/ ,切换到[榜单],[TOP100榜].本次项目就是要获取豆瓣排名Top ...
- 入门Python爬虫开发-欧阳桫-专题视频课程
入门Python爬虫开发-443人已学习 课程介绍 通过本课程的学习,你将掌握如何使用Python的基础类库,实现对邮箱.图片.金融数据的爬取,以及什么是深度爬取和广度爬取 课程收益 ...
最新文章
- 简明Linux命令行笔记:sort
- javabean自定义组件
- python超神之路:python异常对照表
- 设计有三个窗口的框架结构网页_技术周刊丨钢框架结构直接分析设计与传统设计方法对比研究——恒荷载作用结果对比...
- 如何编写一份高质量的测试计划
- bilibili缓存视频批量转换成mp4格式,方便学习
- SlideBox 间隔滚动效果
- pc端启用微信小程序
- centos7查看udp端口_linux7-netstat命令查看开放了那些端口
- Java8新特性函数式编程
- OmniPlan非工作时数与额外工作时数
- 【Vue】Vue2知识点总结
- JavaScript常见的请求头和响应头
- iOS15-16绕过激活锁,屏幕锁完美隐藏工具老虎V4.5,支持最新iOS16.1.1系统
- 净利润同比增长54%,阿里巴巴下沉市场称王?
- matlab电路仿真三角波,Matlab仿真: 1Mhz正弦载波与2kHz三角波调制信号进行调制仿真...
- 分享简单易用的配网终端加密模块
- html5给页面添加树叶特效,html5 canvas树叶光标动画特效
- onethink后台使用上传驱动时,文件上传失败
- AWS CEO 将掌舵亚马逊,贝索斯于第三季度卸任
热门文章
- 帆软FineMobile 自适应
- systemctl start named失败的解决方法_有关平安银行的提额方法和提额失败的解决方法...
- PHP之mb_strrpos使用
- 使用浏览器去检查exchange 2013 协议的健康状况
- Node.js因为OpenSSL安全问题推迟更新
- 网络基础---网络层
- oracle HWM
- 一个果农儿子的心声,你倾听一下吧?
- TuxOnIce! 休眠到硬盘[zt]
- 将Nokia 6300 Firmware升级到5.5