[python] 常用正则表达式爬取网页信息及分析HTML标签总结

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。

涉及内容如下：

常用正则表达式爬取网页信息及HTML分析总结1.获取<tr></tr>标签之间内容2.获取<a href..></a>超链接之间内容3.获取URL最后一个参数命名图片或传递参数4.爬取网页中所有URL链接5.爬取网页标题title两种方法6.定位table位置并爬取属性-属性值7.过滤<span></span>等标签8.获取<script></script>等标签内容9.通过replace函数过滤<br />标签10.获取<img ../>中超链接及过滤<img>标签

推荐基础文章：Python正则表达式指南 -AstralWind

------------------------------------------------------------------------------------------------------------------------------

1.获取<tr></tr>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：<tr>、<th>、<td>、<a>、<table>、<div>...

后缀标签如：</tr>、</th>、</td>、</a>、</table>、</div>...

核心代码：

res_tr = r'<tr>(.*?)</tr>'

m_tr = re.findall(res_tr,language,re.S|re.M)

例子：

# coding=utf-8import relanguage = '''<tr><th>性別：</th><td>男</td></tr><tr>'''#正则表达式获取<tr></tr>之间内容res_tr = r'<tr>(.*?)</tr>'m_tr = re.findall(res_tr,language,re.S|re.M)for line in m_tr:print line#获取表格第一列th 属性res_th = r'<th>(.*?)</th>' m_th = re.findall(res_th,line,re.S|re.M)for mm in m_th:print unicode(mm,'utf-8'), #unicode防止乱#获取表格第二列td 属性值res_td = r'<td>(.*?)</td>'m_td = re.findall(res_td,line,re.S|re.M)for nn in m_td:print unicode(nn,'utf-8')

输出如下所示：

>>> <th>性別：</th><td>男</td>性別： 男>>>

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<a href=..></a>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'<a .*?>(.*?)</a>'

mm = re.findall(res, content, re.S|re.M)

urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M)

例子：

# coding=utf-8import recontent = '''<td><a href="/articles/zj.html" title="浙江省">浙江省主题介绍</a><a href="//articles/gz.html" title="贵州省">贵州省主题介绍</a></td>'''#获取<a href></a>之间的内容print u'获取链接文本内容:'res = r'<a .*?>(.*?)</a>'mm = re.findall(res, content, re.S|re.M)for value in mm:print value#获取所有<a href></a>链接所有内容print u'\n获取完整链接内容:'urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M)for i in urls:print i#获取<a href></a>中的URLprint u'\n获取链接中URL:'res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"link = re.findall(res_url , content, re.I|re.S|re.M)for url in link:print url

输出如下图所示：

>>> 获取链接文本内容:浙江省主题介绍贵州省主题介绍获取完整链接内容:<a href="/articles/zj.html" title="浙江省">浙江省主题介绍</a><a href="//articles/gz.html" title="贵州省">贵州省主题介绍</a>获取链接中URL:/articles/zj.html//articles/gz.html>>>

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：

driver.get(link)

elem = driver.find_elements_by_xpath("//div[@class='piclist']/tr/dd[1]")

for url in elem:

pic_url = url.get_attribute("href")

print pic_url

参考文章：[python爬虫] Selenium定向爬取虎扑篮球海量精美图片

------------------------------------------------------------------------------------------------------------------------------

3.获取URL最后一个参数命名图片或传递参数

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：

/blogfile/11/11/BbsImg141568417848931_640*640.jpg

此时需要通过该URL的"/"后面的参数命名图片，则方法如下：

urls = "/blogfile/11/11/BbsImg141568417848931_640*640.jpg"values = urls.split('/')[-1]print values

输出如下所示：

>>> BbsImg141568417848931_640*640.jpg>>>

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：

url = 'http://localhost/test.py?a=hello&b=world' values = url.split('?')[-1] print values for key_value in values.split('&'):print key_value.split('=')

输出如下所示：

>>> a=hello&b=world['a', 'hello']['b', 'world']>>>

------------------------------------------------------------------------------------------------------------------------------

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。

# coding=utf-8import reimport urlliburl = "/"content = urllib.urlopen(url).read()urls = re.findall(r"<a.*?href=.*?<\/a>", content, re.I)for url in urls:print unicode(url,'utf-8')link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", content)for url in link_list: print url

输出如下所示：

>>> <a href="/account/login?from=/my/mycsdn">登录</a><a href="/account/mobileregister?action=mobileRegister">注册</a><a href="/help/faq">帮助</a>.../account/login?from=/my/mycsdn/account/mobileregister?action=mobileRegister/help/faq...>>>

------------------------------------------------------------------------------------------------------------------------------

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<html><head><title>标题</title></head></html>中。

下面是爬取CSDN标题的两种方法介绍：

# coding=utf-8import reimport urlliburl = "/"content = urllib.urlopen(url).read()print u'方法一:'title_pat = r'(?<=<title>).*?(?=</title>)' title_ex = pile(title_pat,re.M|re.S) title_obj = re.search(title_ex, content)title = title_obj.group()print titleprint u'方法二:'title = re.findall(r'<title>(.*?)</title>', content)print title[0]

输出如下所示：

>>> 方法一: - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台方法二: - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台>>>

------------------------------------------------------------------------------------------------------------------------------

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']")

参考文章：[Python爬虫] Selenium实现自动登录163邮箱和Locating Elements介绍

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：

<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>

start = content.find(r'<table class="infobox vevent"') #起点记录查询位置 end = content.find(r'</table>')infobox = language[start:end] print infobox

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

<table class="infobox vevent" cellspacing="3" style="border-spacing:3px;width:22em;text-align:left;font-size:small;line-height:1.5em;"> <caption class="summary"><b>ActionScript</b></caption> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">发行时间</th> <td style=";;">1998年</td> </tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">实现者</th> <td class="organiser" style=";;"><a href="/wiki/Adobe_Systems" title="Adobe Systems">Adobe Systems</a></td> </tr> <tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">启发语言</th> <td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td> </tr> </table>

参考文章：[python学习] 简单爬取维基百科程序语言消息盒

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：

<table>

<tr>

<th>属性</th>

<td>属性值</td>

</tr>

</table>

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<td></td>之间的内容可能存在<a href=..></a>或<span></span>或<br />等值，都需要处理。下面先讲解正则表达式获取td值的例子：

参考：/topics/390353859?page=1

<table> <tr> <td>序列号</td><td>DEIN3-39CD3-2093J3</td> <td>日期</td><td>1月22日</td> <td>售价</td><td>392.70 元</td> <td>说明</td><td>仅限5用户使用</td> </tr> </table>

Python代码如下：

# coding=utf-8import res = '''<table> <tr> <td>序列号</td><td>DEIN3-39CD3-2093J3</td> <td>日期</td><td>1月22日</td> <td>售价</td><td>392.70 元</td> <td>说明</td><td>仅限5用户使用</td> </tr> </table>'''res = r'<td>(.*?)</td><td>(.*?)</td>' m = re.findall(res,s,re.S|re.M) for line in m: print unicode(line[0],'utf-8'),unicode(line[1],'utf-8') #unicode防止乱码 #输出结果如下： #序列号 DEIN3-39CD3-2093J3 #日期 1月22日 #售价 392.70 元 #说明 仅限5用户使用

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

------------------------------------------------------------------------------------------------------------------------------

7.过滤<span></span>等标签

在获取值过程中，通常会存在<span>、<br>、<a href>等标签，下面举个例子过滤。

<td><span class="nickname">(字) 翔宇</span></td>过滤标签<span>核心代码：

elif "span" in nn: #处理标签<span>

res_value = r'<span .*?>(.*?)</span>'

m_value = re.findall(res_value,nn,re.S|re.M)

for value in m_value:

print unicode(value,'utf-8'),

代码如下，注意print中逗号连接字符串：

# coding=utf-8import relanguage = '''<table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3"><caption style="text-align: center; font-size: larger;" class="fn"><b>周恩来</b></caption><tr><th>性別：</th><td>男</td>d</tr><tr><th>異名：</th><td><span class="nickname">(字) 翔宇</span></td></tr><tr><th>籍貫：</th><td><a href="../articles/%E6%B5%9981.html" title="浙江省">浙江省</a><a href="../articles/%E7%BB%8D82.html" title="绍兴市">绍兴市</a></td></tr></table>''' #获取table中tr值res_tr = r'<tr>(.*?)</tr>'m_tr = re.findall(res_tr,language,re.S|re.M)for line in m_tr:#获取表格第一列th 属性res_th = r'<th>(.*?)</th>' m_th = re.findall(res_th,line,re.S|re.M)for mm in m_th:if "href" in mm: #如果获取加粗的th中含超链接则处理restr = r'<a href=.*?>(.*?)</a>'h = re.findall(restr,mm,re.S|re.M)print unicode(h[0],'utf-8'), #逗号连接属性值 防止换行else:print unicode(mm,'utf-8'), #unicode防止乱#获取表格第二列td 属性值res_td = r'<td>(.*?)</td>' #r'<td .*?>(.*?)</td>'m_td = re.findall(res_td,line,re.S|re.M)for nn in m_td:if "href" in nn: #处理超链接<a href=../rel=..></a>res_value = r'<a .*?>(.*?)</a>'m_value = re.findall(res_value,nn,re.S|re.M)for value in m_value:print unicode(value,'utf-8'),elif "span" in nn: #处理标签<span>res_value = r'<span .*?>(.*?)</span>'m_value = re.findall(res_value,nn,re.S|re.M) #<td><span class="nickname">(字) 翔宇</span></td>for value in m_value:print unicode(value,'utf-8'),else:print unicode(nn,'utf-8'),print ' ' #换行

输出如下所示：

>>> 性別： 男 異名： (字) 翔宇 籍貫： 浙江省 绍兴市 >>>

------------------------------------------------------------------------------------------------------------------------------

8.获取<script></script>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：

# coding=utf-8import reimport os content = '''<script>var images = [ { "big":"http://i-//3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "thumb":"http://i-//3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "original":"http://i-//3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "title":"","descript":"","id":75109}, { "big":"http://i-//3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg", "thumb":"http://i-//3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg", "original":"http://i-//3/18/fec26de9-8727-424a-b272-f2827669a320.jpg", "title":"","descript":"","id":75110}, </script> ''' html_script = r'<script>(.*?)</script>' m_script = re.findall(html_script,content,re.S|re.M) for script in m_script:res_original = r'"original":"(.*?)"' #原图m_original = re.findall(res_original,script)for pic_url in m_original:print pic_urlfilename = os.path.basename(pic_url) #去掉目录路径,返回文件名urllib.urlretrieve(pic_url, 'E:\\'+filename) #下载图片

运行结果如下图所示，同时下载图片至E盘。

参考文章：[python学习] 简单爬取图片网站图库中图片

------------------------------------------------------------------------------------------------------------------------------

9.通过replace过滤<br />标签

在获取值过程中，通常会存<br />标签，它表示HTML换行的意思。常用的方法可以通过标签'<'和'>'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 '<br />' in value:

value = value.replace('<br />','') #过滤该标签

value = value.replace('\n',' ')#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<br />(諡) 武壯<br />(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<img ../>中超链接及过滤<img>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<img />图片链接，此时在获取文字内容时，你可能需要过滤掉这些<img>标签。这里采用的方法如下：

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

例如：

#encoding:utf-8import osimport revalue = '''<table class="infobox" style="width: 21em; text-align: left;" cellpadding="3"><tr bgcolor="#CDDBE8"><th colspan="2"><center class="role"><b>中華民國政治人士</b><br /></center></th></tr><tr><th>性別：</th><td>男</td></tr><tr><th>政黨：</th><td><span class="org"><img alt="中國國民黨" src="../../../../images/Kuomintang.svg.png" width="19" height="19" border="0" /><a href="../../../../articles/%8B%E6%B0%91%E9%BB%A8.html" title="中國國民黨">中國國民黨</a></span></td></tr></table>'''value = re.sub('<[^>]+>','', value) #过滤HTML标签print value

输出如下：

>>> 中華民國政治人士性別：男政黨：中國國民黨>>>

虽然仅仅包括汉字，但是中间会存在换行，需要过滤<br />即可：

if '<br />' in value:value = value.replace('<br />','')value = value.replace('\n',' ')value = re.sub('<[^>]+>','', value) #过滤HTML标签print value#输出仅仅一行如下：#中華民國政治人士 性別： 男 政黨： 中國國民黨

下面讲述第二部分，通过正则表达式获取<img>中的src超链接，代码如下：

test = '''<img alt="中國國民黨" src="../images/Kuomintang.png" width="19" height="19" border="0" />'''print re.findall('src="(.*?)"',test)

输出如下所示：

>>> ['../images/Kuomintang.png']>>>

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。

(By：Eastmount -04-07 清晨6点 /eastmount/)