Python爬取网页信息时,经常使用的正则表达式及方法。
1.获取
标签之间内容2.获取超链接之间内容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.过滤等标签8.获取等标签内容
1). 获取
标签之间内容
开始标签如:
、、、...
后缀标签如:、、、、
、...
核心代码:
res_tr = r'
'
m_tr = re.findall(res_tr,language,re.S|re.M)
# eg_v1
import re
language = '''
床前明月光忧思独伤心
# 正则表达式获取
之间内容
res_tr = r"
"
m_tr = re.findall(res_tr,language,re.S|re.M)
print (unicode(m_tr,"utf-8"))
for line in m_tr:
print line
res_th = r"
(.*?)"
m_th = re.findall(res_th,line,re.S|re.M)
for mm in m_th:
print (unicode(mm,"utf-8"))
res_td = r"
(.*?)"
m_td = re.findall(res_td,line,re.S|re.M)
for nn in m_td:
print (unicode(nn,"utf-8"))
2). 获取超链接之间内容
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)
# eg_v2
import re
content = '''
浙江省主题介绍
贵州省主题介绍
'''
# 获取之间的内容
res = r'(.*?)'
mm = re.findall(res,content,re.S|re.M)
for value in mm:
print (value)
# 获取所有链接所有内容
urls = re.findall(r"a.*?href=.*?<\/a>",content,re.I|re.S|re.M)
for i in urls:
print i
# 获取中的URL
res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
link = re.findall(res_url,content,re.I|re.S|re.M)
for url in link:
print (url)
3). 获取URL最后一个参数命名图片或传递参数
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
通过该URL的"/"后面的参数命名图片
# eg_v3
urls = '/blogfile/11/11/BbsImg141568417848931_640*640.jpg'
value = urls.split("/")[-1]
print (value)
# BbsImg141568417848931_640*640.jpg
使用Python获取GET方法的URL链接中,还可能存在传递参数的值,获取参数方法:
url = 'http://localhost/test.py?a=hello&b=world'
values = url.split('?')[-1]
print (values)
# a=hello&b=world
for key_value in values.split('&'):
print (key_value.split('='))
# ['a', 'hello']
# ['b', 'world']
4). 爬取网页中所有URL链接
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.
# eg_v4 (爬取CSDN首页的所有URL链接)
import re
import urllib2
url = "/"
content = urllib2.urlopen(url).read()
urls = re.findall(r'',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)
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,常位于
标题中
# eg_v5 (爬取CSDN标题)
import re
import urllib2
url = '/'
content = urllib2.urlopen(url).read()
# 方法一
title_pat = r'(?<=
).*?(?=)'
title_ex = pile(title_pat,re.M|re.S)
title_obj = re.search(title_ex,content)
title = title_obj.group()
print (title)
# 方法二
title = re.findall(r'
(.*?)',content)
print (title[0])
6). 定位table位置并爬取属性-属性值
# eg_v6 (正则表达式获取td值的例子)
import re
s = '''
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
'''
res = r'
(.*?)(.*?)'
m = re.findall(res,s,re.S|re.M)
for line in m:
print (unicode(line[0],'utf-8'),unicode(line[1],'utf-8'))
# 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
获取值过程中,通常会存在、
、等标签
核心代码:
elif "span" in nn: #处理标签
res_value = r'(.*?)'
m_value = re.findall(res_value,nn,re.S|re.M)
for value in m_value:
print unicode(value,'utf-8'),
# eg_v7
import re
language = '''
购书性別:男d異名:(字) 翔宇政黨:籍貫:广东省绍兴市
'''
# 获取table中tr值
res_tr = r'
'
m_tr = re.findall(res_tr,language,re.S|re.M)
# 获取表格第一列th 属性
for line in m_tr:
res_th = r'
(.*?)'
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''
h = re.findall(res_tr,mm,re.S|re.M)
print (unicode(h[0],'utf-8'))
else:
print (unicode(mm,'utf-8'))
# 取表格第二列td 属性值
res_td = r'
(.*?)'
m_td = re.findall(res_td,line,re.S|re.M)
for nn in m_td:
if 'href' in nn:
res_value = r'(.*?)'
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:
res_value = r'(.*?)'
m_value = re.findall(res_value,nn,re.S|re.M)
for value in m_value:
print (unicode(value,'utf-8')
else:
print (unicode(nn,'utf-8'))
print (' ')
8). 获取等标签内容
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
通过正则表达式下载URL:
res_original = r'"original":"(.*?)"' #原图
m_original = re.findall(res_original,script)
# eg_v8
import re
import os
import urllib
content = '''
{ "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},
'''
html_script = r''
m_script = re.findall(html_script,content,re.S|re.M)
for script in m_script:
res_original = r'"original":"(.*?)"'
m_original = re.findall(res_original,script)
for pic_url in m_original:
print (pic_url)
filename = os.path.basename(pic_url)
urllib.urlretrieve(pic_url,"D:\\" + filename)