Python爬虫常用正则表达式及HTML网页标签分析总结

这篇文章主要是介绍Python爬取网页信息时,经常使用的正则表达式及方法。它是一篇总结性文章,实用性比较大,主要解决自己遇到的爬虫问题,也希望对你有所帮助~

当然如果会Selenium基于自动化测试爬虫、BeautifulSoup分析网页DOM节点,这就更方便了,但本文更多的是介绍基于正则的底层爬取分析。

1.获取标签之间内容

该部分主要是通过正则表达式获取两个标签之间的内容,通常这种标签都是成对出现的。

开始标签如:、、、、、

...

核心代码:

res_tr = r'(.*?)' m_tr = re.findall(res_tr,language,re.S|re.M)

例子:

输出如下所示:

python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例,然后使用Pattern实例处理文本并获得匹配结果(一个Match实例),最后使用Match实例获得信息,进行其他的操作。

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 搜索string,以列表形式返回全部能匹配的子串。其中RE的常见参数包括:

re.I(re.IGNORECASE): 忽略大小写(括号内是完整写法)

re.M(re.MULTILINE): 多行模式,改变'^'和'$'的行为

re.S(re.DOTALL): 点任意匹配模式,改变'.'的行为

2.获取超链接之间内容

通常在使用正则表达式时,需要分析网页链接,获取URL或网页内容。核心代码如下:

res = r'

(.*?)

' mm = re.findall(res, content, re.S|re.M) urls=re.findall(r"", content, re.I|re.S|re.M)

例子:

输出如下图所示:

当然如果是通过Selenium分析DOM树结构获取href对应的url或title中的值,其核心代码如下所示,这里主要是给大家做个对比,理解不同方法的优势:

通常在使用Python爬取图片过程中,会遇到图片对应的URL最后一个字段通常用于命名图片,如虎扑孙悦妻子图片:

此时需要通过该URL的"/"后面的参数命名图片,则方法如下:

输出如下所示:

在使用Python获取GET方法的URL链接中,还可能存在传递参数的值。

此时获取参数方法如下:

输出如下所示:

4.爬取网页中所有URL链接

在学习爬虫过程中,你肯定需要从固有网页中爬取URL链接,再进行下一步的循环爬取或URL抓取。如下,爬取CSDN首页的所有URL链接。

输出如下所示:

5.爬取网页标题title两种方法

获取网页标题也是一种常见的爬虫,如我在爬取维基百科国家信息时,就需要爬取网页title。通常位于标题中。

下面是爬取CSDN标题的两种方法介绍:

输出如下所示:

6.定位table位置并爬取属性-属性值

如果使用Python库的一些爬取,通常可以通过DOM树结构进行定位,如代码:

login = driver.find_element_by_xpath ("//form[@id='loginForm']")

但如果是正则表达式这种相对传统傻瓜式的方法,通过通过find函数寻找指定table方法进行定位。如:获取Infobox的table信息。

通过分析源代码发现“程序设计语言列表”的消息盒如下:

print infobox 输出其中一门语言ActionScript的InfoBox消息盒部分源代码如下:

然后再在这个infobox内容中通过正则表达式进行分析爬取。下面讲述爬取属性-属性值:

爬取格式如下:

其中th表示加粗处理,td和th中可能存在属性如title、id、type等值;同时之间的内容可能存在或或

等值,都需要处理。下面先讲解正则表达式获取td值的例子:

Python代码如下:

如果包含该属性则正则表达式为r'(.*?)';同样如果不一定是id属性开头,则可以使用正则表达式r'(.*?)'。

7.过滤等标签

在获取值过程中,通常会存在、

、等标签,下面举个例子过滤。

(字) 翔宇过滤标签核心代码:

代码如下,注意print中逗号连接字符串:

输出如下所示:

8.获取等标签内容

比如在获取游讯网图库中,图集对应的原图它是存储在script中,其中获取原图-original即可,缩略图-thumb,大图-big,通过正则表达式下载URL:

res_original = r'"original":"(.*?)"' #原图 m_original = re.findall(res_original,script)

代码如下:

运行结果如下图所示,同时下载图片至E盘。

9.通过replace过滤

标签

在获取值过程中,通常会存

标签,它表示HTML换行的意思。常用的方法可以通过标签''进行过滤,但是这里我想讲述的是一种Python常用的过滤方法,在处理中文乱码或一些特殊字符时,可以使用函数replace过滤掉这些字符。核心代码如下:

if '

' in value: value = value.replace('

','') #过滤该标签 value = value.replace(' ',' ') #换行空格替代 否则总换行

例如过滤前后的例子:

達洪阿 異名: (字) 厚菴

(諡) 武壯

(勇號) 阿克達春巴圖魯

達洪阿 異名: (字) 厚菴 (諡) 武壯 (勇號) 阿克達春巴圖魯

10.获取中超链接及过滤标签

在获取值属性值过程中,可能在分析table/tr/th/td标签后,仍然存在图片链接,此时在获取文字内容时,你可能需要过滤掉这些标签。这里采用的方法如下:

value = re.sub(']+>','', value)

例如:

输出如下:

虽然仅仅包括汉字,但是中间会存在换行,需要过滤

即可:

下面讲述第二部分,通过正则表达式获取中的src超链接,代码如下:

输出如下所示:

findall函数返回的总是正则表达式在字符串中所有匹配结果的列表,即findall中返回列表中每个元素包含的信息。

最后希望文章对你有所帮助,后面如果遇到新的相关知识,我也会即使的更新添加的。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181110A1RIDY00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券