Python正则爬虫的方法是什么

发布时间：2021-11-26 11:28:32 阅读：132 作者：iii 栏目：大数据

Python开发者专用服务器限时活动，0元免费领，库存有限，领完即止！点击查看>>

这篇文章主要介绍“Python正则爬虫的方法是什么”，在日常操作中，相信很多人在Python正则爬虫的方法是什么问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Python正则爬虫的方法是什么”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

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 restring = '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.requestimport 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urlprint(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 urlunparsefrom 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, fragmentprint(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 urlunparsefrom 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, fragmentprint(url)print(url.netloc) # 重组urlu = 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 requestsr = 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 reimport requestsurl = '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 reimport 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。

到此，关于“Python正则爬虫的方法是什么”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！

亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>

向AI问一下细节

Python正则爬虫的方法是什么

1 re模块

1.1 re模块

1.2 complie方法

1.3 match方法

1.4 search方法

2 Python网络数据爬取的常用模块

2.1 urllib模块

2.2 urlparse模块

2.3 requests模块

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

3.2 爬取标签中的参数

3.3 字符串处理及替换

猜你喜欢

最新资讯

相关推荐

开发者交流群：

相关标签