爬虫篇 | Python使用正则来爬取豆瓣图书数据
爬虫篇 | Python使用正则来爬取豆瓣图书数据
龙哥
发布于 2019-10-14 16:12:01
发布于 2019-10-14 16:12:01
最近整理一个爬虫系列方面的文章，不管大家的基础如何，我从头开始整一个爬虫系列方面的文章，让大家循序渐进的学习爬虫，小白也没有学习障碍.
这两天有读者要我出一篇使用正则表达式来抓取数据，于是这篇献上
首先需要说明的是，在数据抓取的时候，优先使用xpath，如果xpath不行再考虑正则或者bs4， 因为xpath简单且高效!
概念性的东西这里就不说了，我们直接来实战，这里只简单说明一下，详细的需要自己去查一下资料！
要爬取的图书内容：
爬取到的数据
. 可以匹配除换行符外的字符 re* 表示匹配0个或多个表达式 re？匹配0个或多个由前面正则表达式定义的片段，非贪婪模式,且只匹配前一个
- 首先我们需要完全抓取，所以我们要使用
re.findall方法，又因为数据全部在<li class>中,需要只需要对这个里面数据处理 - 然后每一列来匹配
<li class>因为还需要向后匹配查找，所以需要添加.*?匹配一次,非贪婪模式. 等等匹配到cover下面的目录，我们可以匹配到href,获取再匹配标题，但alt包含标题，所以这里直接来提取alt="(.*?)", - 接着需要提取数据出来这里使用
(.*?)把数据提出来，这里有多个数据需要提取，然后用数组呈现出来
完整代码
import requests
import re
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
url = 'https://book.douban.com/'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)\
Chrome/55.0.2883.87 Safari/537.36'}
html = requests.get(url, headers=headers)
html.encoding = 'utf-8'
# 这里我只取了链接与标题
patter = re.compile('<li class.*?cover.*?href="(.*?)".*?alt="(.*?)".*?<p class="author".*?>(.*?)</p>', re.S)
titles = re.findall(patter, html.text)
for each in titles:
print '书籍链接:{},书籍标题：{},---书籍作者：{}'.format(each[0], each[1],each[2].strip())
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2019-10-13，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录