「Python爬虫系列讲解」3.正则爬虫之牛刀小试

语言: CN / TW / HK

「深度学习福利」大神带你进阶工程师,立即查看>>>

作者 : 荣仔!最靓的仔!
专栏地址 :
http://suo.im/5Rh1z1

本文目录

1 re模块

正则表达式(Regular Expression, Regex 或 RE)又称正规表示法或常规表示法,常用来检索、替换那些符合某个模式的文本。

它首先设定好一些特殊的字符及字符组合,然后通过组合的“规则字符串”来对表达式进行过滤,从而获取或匹配用户想要的特定内容。

1.1 re模块

Python 通过 re 模块提供对正则表达式的支持,但在使用正则表达式之前需要导入 re 模块才能调用该模块的功能函数。

import re

其基本步骤是:

  • 将正则表达式的字符串形式编译为 pattern 实例;
  • 使用 pattern 实例处理文本并获得一个匹配实例;
  • 使用 match 实例获得所需信息;

常用函数是 findall,原型如下:

findall(String[, pos[, endpos]])|re.findall(pattern, string[, flags])

该函数表示搜索字符串 string,然后以列表形式返回全部匹配字符串。

其中,参数 re 包括3个常见值。(括号内是完整写法)

re.I(re.IGNORECASE)  # 使匹配忽略大小写
re.M(re.MULTILINE)   # 允许多行匹配
re.S(re.DOTALL)      # 匹配包括换行在内的所有字符

另外,pattern 对象是一个编译好的正则表达式,通过 pattern 提供的一系列方法可以对文本进行匹配查找;pattern 对象不能直接实例化,必须使用 re.compile() 进行构造。

1.2 complie方法

re 模块包括一些常用的操作函数,比如 complie() 函数,其原型如下:

re.compile(pattern[, flags])

该函数根据包含正则表达式的字符串创建模式对象,返回一个 pattern 对象。其中,参数 flags 是匹配模式,可以使用按位或“|”表示同时生效,也可以在正则表达式字符串中指定。

# 举例说明如何使用正则表达式来获取字符串中的数字内容
import re
string = 'A1.45, b5, 6.45, 8.82'
regex = re.compile(r"\d+\.?\d*")
print(regex.findall(string))

结果如下:

1.3 match方法

match 方法是从字符串的 pos 下标处开始匹配 pattern,如果 pattern 结束时已经匹配,则返回一个 match 对象;如果匹配过程中 pattern 无法匹配,或者匹配未结束就已达到 endpos,则返回 None。

match 方法原型如下:

match(string[, pos[, endpos]]) | re.match(patter, string[, flags])

其中,参数 string 表示字符串;pos 表示下标,pos 和 endpos 的默认值分别为 0 和 len(string);参数 flags 用于编译 pattern 时指定匹配模式。

1.4 search方法

search 方法用于查找字符串中可以匹配成功的子字符串。从字符串的 pos 下标处尝试匹配 pattern,如果 pattern 结束时仍可匹配,则返回一个 match 对象,如果 pattern 结束时仍无法匹配,则将 pos 加 1 后重新尝试匹配,若知道 pos = endpos 时仍无法匹配,则返回 None。

search 方法函数原型如下:

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])

其中,参数 string 表示字符串;pos 表示下标,pos 和 endpos 的默认值分别为 0 和 len(string);参数 flags 用于编译 pattern 时指定匹配模式。

1.5 group和groups方法

group([group1, …]) 方法用于获得一个或多个分组截获的字符串,当它指定多个参数时将以元组形式返回 None,截获多次的组返回最后一次截获的字符串。

groups([default]) 方法以元组形式返回全部分组截获的字符串,相当于多次调用 group,其中参数 default 表示没有截获字符串的组以该值代替,默认为 None。

2 Python网络数据爬取的常用模块

2.1 urllib模块

urllib 是 Python 用于获取 URL(Uniform Resource Locators,同意资源定位器)的库函数,可以用于爬取远程的数据并保存,甚至可以设置消息头(header)、代理、超时认证等。

urllib 模块提供的上策接口使用户能够像读取本地文件一样读取 WWW 或 FTP 上的数据,使用起来比C++、C#等编程语言更加方便。

2.1.1 urlopen

函数原型如下:

urlopen(url, data = None, proxies = None)

该方法用于创建一个远程 URL 的类文件对象,然后像本地文件一样操作这个类文件对象来获取远程数据。其中参数 url 表示远程数据的路径,一般是网址;参数 data 表示以 post 方式提交到 url 的数据;参数 proxies 用于设置代理;返回值是一个类文件对象。

本实例用来介绍 urllib 库函数爬取百度官网的实例


import urllib.request
import webbrowser as web
 
url = 'http://www.baidu.com'
content = urllib.request.urlopen(url)  # 打开链接
 
print(content.info)     # 头信息
print(content.geturl)   # 请求url
print(content.getcode)  # HTTP状态码
 
# 保存至本地并通过浏览器打开
response = urllib.request.urlopen(url).read()
open('baidu.html''w').write(response.decode('UTF-8'))

结果如下:

2.1.2 urlretrieve

urlretrieve 方法是将远程数据下载到本地,函数原型如下:

urlretrieve(url, filename = None, reporthook = None, data = None)

其中,参数 filename 指定了保存到本地的路径,如果省略该函数,则 urllib 会自动生成一个临时文件来保存数据;

参数 reporthook 是一个回调参数,当连接上服务器,响应的数据块传输完毕时,会触发该调回函数,通常使用该回调函数来显示当前的下载进度;

参数 data 是指传递到服务器的数据。

本实例用来演示如何将新浪首页爬取到本地,并保存在“F:/sina.html”文件中,同时显示下载进度。

from urllib.request import urlretrieve
 
# 设置函数来表示下载文件至本地,并显示下载进度
def Download(a, b, c):
    # a--已经下载的数据块
    # b--数据块的大小
    # c--远程文件的大小
    per = 100.0 * a * b / c
    if per >100:
        per = 100
    print('%.2f%%' % per)
 
url = 'http://www.sina.com.cn'
local = 'F:/sina.html'
urlretrieve(url, local, Download)

结果如下:

2.2 urlparse模块

urlparse 模块主要是对 url 进行分析,其主要的操作时拆分和合并 url 各个部件。它可以将 url 拆分成 6 个部分,并返回元组,也可以把拆分后的部分再组成一个 url。

urlparse 模块包括的函数主要有 urlparse、urlunparse 等。

# python3版本中已经将urllib2、urlparse、和robotparser并入了urllib模块中,并且修改urllib模块
from urllib.parse import urlunparse
from urllib.parse import urlparse
2.2.1 urlparse函数

函数原型如下:

urlparse(urlstring[, scheme[, allow_fragments]])

该函数将 urlstring 值解析成 6 各部分,从 urlstring 中获取 URL,并返回元组(scheme,netloc,path、params、query、fragment)。该函数可用于确定网络协议(HTTP、FTP等)、服务器地址、文件路径等。

from urllib.parse import urlparse
 
url = urlparse('https://blog.csdn.net/IT_charge/article/details/105714745')
 
# 输出内容包括以下六个部分scheme, netloc, path, params, query, fragment
print(url)
print(url.netloc)

结果如下:

2.2.2 urlunparse函数

同样可以调用 urlunparse() 函数将一个元祖内容构建成一条 url,函数原型如下:

urlunparse(parts)

该元组类似 urlparse 函数,它接收元组(scheme, netloc, path, params, query, fragment)后,会重新组成一个具有正确格式的URL,以便共 Python 的其他 HTML 解析模块使用。

from urllib.parse import urlunparse
from urllib.parse import urlparse
 
url = urlparse('https://blog.csdn.net/IT_charge/article/details/105714745')
 
# 输出内容包括以下六个部分scheme, netloc, path, params, query, fragment
print(url)
print(url.netloc)
 
# 重组url
u = urlunparse(url)
print(u)

结果如下:

2.3 requests模块

requests 模块是用 Python 语言编写的、基于 urllib 的第三方库,其采用 Apache2 Licensed 开源协议的 HTTP 库。它比 urllib 更加方便,既可以节约大量的工作,又完全满足 HTTP 的测试需求。

安装 requests 模块方法

pip install requests
2.3.1 导入requests模块

使用语句如下:

import requests
2.3.2 发送GET/POST请求

requests 模块可以发送 HTTP 的两种请求,GET 请求和 POST 请求。其中 GET 请求可以采用 url 参数传递数据,它从服务器上获取数据,而 POST 请求是向服务器传递数据,该方法更为安全。

# 这里给出 get 和 post 请求获取某个网站网页的方法,得到一个命名为 response 的响应对象,通过这个对象获取我们所需要的信息
r = requests.get('https://github.com/timeline.json)
r = requests.post('
https://httpbin.org/post)
2.3.3 传递参数

url 通常会传递某种数据,这种数据采用键值对的参数形式置于 URL 中。

requests通过 params 关键字设置 URL 的参数,以一个字符串字典来提供这些参数。

# 传递 key1=value1 和 key2=value2 到 httpbin.org/get 后
import requests
 
payload = {'key1''value1''key2''value2'}
r = requests.get('http://httpbin.org/get', params = payload)
print(r.url)

结果如下:

2.3.4 相应内容

requests 会自动解码来自服务器的内容,并且大多数 Unicode 字符集都能被无缝解码。当请求发出后,requests 会基于 HTTP 头部对响应的编码做出有根据的推测。

import requests
r = requests.get('https://github.com/timeline.json')
print(r.text)

结果如下:

2.3.5 定制请求头

只需要简单地传递一个字典(dict)给消息头 headers 参数即可。以网站“堆糖”为例,其 headers 参数在 User-Agent 里找。

定制请求头是为了伪装爬虫程序,不会被网站轻易检测出来,亦即不会返回 403 错误。

演示如下:

# 这里假设给 堆糖 网站指定一个消息头
import requests
 
base_url = 'https://www.duitang.com/'
headers = {
    'User-Agent''Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
}
response = requests.get(url=base_url, headers=headers)
print(response)

结果如下:

3 正则表达式爬取网络数据的常见方法

3.1 爬取标签间的内容

HTML语言是采用标签对的形式来编写网站的,包括起始标签和结束标签,比如、、等。

3.1.1 爬取title标签间的内容

首先可以采用正则表达式“‘’”来爬取起始标签之间的内容。

# 本实例用来爬取百度官网标题——“百度一下,你就知道”
import re
import requests
url = 'https://www.baidu.com/?tn=78040160_5_pg&ch=8'
response = requests.get(url).content.decode('utf-8')
title = re.findall(r'<title>(.*?)</title>', response)
print(title[0])

结果如下:

3.1.2 爬取超链接标签间的内容

在 HTML 中, 超链接标题 用于表示超链接。

import re
import requests
 
url = "http://www.baidu.com"
content = requests.get(url).content.decode('utf-8')
 
# 获取完整的超链接
res1 = re.compile('<a(.*?)</a>')
urls1 = re.findall(res1, content)
for u1 in urls1:
    print(u1)
 
# 获取超链接<a>和</a>之间的内容
res2 = re.compile('<a.*?>(.*?)</a>')
urls2 = re.findall(res2, content)
for u2 in urls2:
    print(u2)

结果如下:

3.1.3 爬取re标签和td标签间的内容

网页常用的布局包括 table 布局和 div 布局,其中,table 布局中常见的标签包括tr,th和td,tr(table row)表示表格行为,td(table data)表示表格数据,th(table heading)表示表格表头。

首先假设存在下面这样一个HTML代码。

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>表格</title>
</head>
<body>
<table border="1">
    <tr><th>编号</th><th>课程名</th></tr>
    <tr><td>001</td><td>Python程序设计语言</td></tr>
    <tr><td>002</td><td>JavaScript</td></tr>
    <tr><td>003</td><td>网络数据爬取及分析</td></tr>
</table>
</body>
</html>

结果如下:

此时,看看怎么使用Python代码获取上述信息呢?

import re
 
# 获取<tr> </tr>之间的内容
f = open("t.html","r",encoding="utf-8"# 读取文件
f = f.read()         # 把文件内容转化为字符串
trs = re.findall(r'<tr>(.*?)</tr>', f, re.S|re.M)
for tr in trs:
    print(tr)
 
# 获取<th> </th>之间的内容
print('\n')
for m in trs:
    ths = re.findall(r'<th>(.*?)</th>', m, re.S|re.M)
    for th in ths:
        print(th)
 
# 获取<td> </td>之间的内容
print('\n')
tds = re.findall(r'<td>(.*?)</td><td>(.*?)</td>', f, re.S|re.M)
for td in tds:
    print(td[0], td[1])

结果如下:

3.2 爬取标签中的参数

3.2.1 爬取超链接标签的URL

HTML超链接的基本格式为 “ 链接内容 ”。

import re
 
content = '''
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新闻</a>
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地图</a>
'''

 
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
urls = re.findall(res, content, re.I|re.S|re.M) 
for url in urls:
    print(url)

结果如下:

3.2.2 爬取图片超链接标签的URL

在HTML中,我们可以看到各式各样的图片,其中图片标签的基本格式为“ <img src = 图片地址/> ” ,只有通过爬取这些图片原地址,才能下载对应的图片至本地。

import re
 
content = '''
<img alt = "meizi" src = "http://img.ivsky.com/img/tupian/pre/202001/15/gancaoduo-002.jpg"/>
'''

 
res = '<img .*? src = "(.*?)"/>'
urls = re.findall(res, content, re.I|re.S|re.M)
print(urls)

结果如下:

3.2.3 获取URL中的最后一个参数

在使用 Python 爬取图片的过程中,通常会遇到图片对应的 URL 最后一个字段用来对图片命名的情况,如前面的“gancaoduo-002.jpg”,因此就需要通过解析 URL “/” 后面的参数来获取图片名字。

import re
 
content = '''
<img alt = "meizi" src = "http://img.ivsky.com/img/tupian/pre/202001/15/gancaoduo-002.jpg"/>
'''

 
# res = '<img .*? src = "(.*?)"/>'
# urls = re.findall(res, content, re.I|re.S|re.M)
# print(urls)
 
urls = 'http://img.ivsky.com/img/tupian/pre/202001/15/gancaoduo-002.jpg'
# 采用“/”分隔字符串,进而获取最后一个值
picture_name = urls.split('/')[-1]
print(picture_name)

结果如下:

3.3 字符串处理及替换

当使用正则表达式爬取网页文本时,首先需要调用 find() 函数来找到指定的位置,然后在进行进一步爬取。

# 比如先获取class属性为“infobox”的表格table,然后再进行定位爬取
start = content.find(r'<table class="infobox>')   # 起点位置
end = content.find(r'</table>')                   # 终点位置
infobox = text[start:end]
print(infobox)

在爬取过程中可能会爬取无关变量,此时需要对无关内容进行过滤,这里推荐使用replace()函数和正则表达式进行处理。

import re
 
content = '''
    <tr><td>000</td><td>软件工程</td></tr>
    <tr><td>001</td><td>Python程序设计语言<br/></td></tr>
    <tr><td>002</td><td><B>JavaScript</B></td></tr>
    <tr><td>003</td><td>网络数据 &nbsp; 爬取及分析</td></tr>
'''

 
res = r'<td>(.*?)</td><td>(.*?)</td>'
texts = re.findall(res, content, re.S|re.M)
for text in texts:
    print(text[0], text[1])

结果如下:

此时需要过滤掉多余的字符串,如换行()、空格( )、加粗(),过滤代码如下。

import re
 
content = '''
    <tr><td>000</td><td>软件工程</td></tr>
    <tr><td>001</td><td>Python程序设计语言<br/></td></tr>
    <tr><td>002</td><td><B>JavaScript</B></td></tr>
    <tr><td>003</td><td>网络数据 &nbsp; 爬取及分析</td></tr>
'''

 
res = r'<td>(.*?)</td><td>(.*?)</td>'
texts = re.findall(res, content, re.S|re.M)
for text in texts:
    value0 = text[0].replace('<br/>'"").replace('&nbsp;'"")
    value1 = text[1].replace('<br/>'"").replace('&nbsp;'"")
    if '<B>' in value1:
        text_value = re.findall(r'<B>(.*?)</B>', value1, re.S|re.M)
        print(value0, text_value[0])
    else:
        print(value0, value1)

结果如下:

采用 replace() 函数将字符串 “” 和 “< >” 转换成空白实现过滤,而加粗()则需要使用正则表达式进行过滤 。

4 本文总结

正则表达式通过组合的“规则字符串”对表达式进行过滤,从复杂内容中匹配想要的信息。它的主要对象是文本,适合文本字符串等内容,比如匹配URL、E-mail这种纯文本的字符,但不是和匹配文本意义。各种编程语言都能使用正则表达式,比如C#、Java、Python等。

正则表达式爬虫常用于获取字符串中的某些内容,比如提取博客阅读量和评论数等数字,截取URL中的某个参数,过滤掉特定的字符或检查所获取的数据是否符合某个逻辑,验证URL或日期类型等。由于其具有灵活性、逻辑性和功能性较强的特点,从而能够迅速地以极简单地方式从复杂字符串中匹配到想要的信息。

最后再补充一点,在Python网络数据爬取中,与 re 模块(正则表达式)有同样功能的还有 xpath、BeautifulSoup等。

未完,待续......

如果你觉得本文写得好,可以扫描下方二维码,关注作者的CSDN博客,更多精彩文章抢先看。

     

关注微信公众号『数据分析与统计学之美』,添加作者微信号,拉你入群哦,气氛杠杠的!看到这里,麻烦您点个再看,让更多朋友看到哦!

喜欢本文点个在看

本文分享自微信公众号 - 数据分析与统计学之美(gh_21c25c7e71d0)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

分享到: