python爬虫——数据爬取和具体解析
关于正则表达式的更多用法，可参考链接：https://blog.csdn.net/weixin_40040404/article/details/81027081
一、正则表达式：
1.常用正则匹配：
URL：^https?://[a-zA-Z0-9\.\?=&]*$ (re.S模式，匹配 https://www.baidu.com 类似URL )
常用Email地址：[0-9a-zA-Z_-]+@[0-9a-zA-Z_-]+\.[0-9a-zA-Z_-]+ 或者 [\w-]+@[\w-]+\.[\w-]+
中文字符匹配：[\u4e00-\u9fa5]+ 或者 [^\x00-\xff]+
QQ号：[1-9][0-9]{4,} ({4，}表示[0-9]的数字个数不低于4个)
ID：^[1-9]\d{5}(18|19|([23]\d))\d{2}((0[1-9])|(10|11|12))(([0-2][1-9])|10|20|30|31)\d{3}[0-9Xx]$
2.特殊组合：
([\s\S]*?) == ([.\n]*?) == re.findall(‘.*?‘, re.S)
万能正则表达式 （加‘？’表示懒惰模式，尽可能最小长度匹配； 不加‘？’表示贪婪模式，尽可能最大长度匹配）
\s\S : 空白字符+非空白字符，即表示所有字符 all, == ’ .\n ‘(.表示除换行符之外的任意字符，\n表示换行符)
re.S: 即DOTAALL 点匹配任意模式，改变.的行为，可以匹配换行符
二、例子
获取博客园的其中一篇文章的内容，保存至文档中。（具体解析在代码注释中可见）
1.源代码
1 import requests 2 import re 3 import json 4 5 def request_blog(url): 6 # 异常处理代码块 7 try: 8 #同步请求 9 response = requests.get(url) 10 if response.status_code == 200: 11 return response.text 12 except requests.RequestException: 13 return None 14 15 def parse_result(html): 16 # re正则表达式,re.compile是对匹配符的封装，直接用re.match(匹配符，要匹配的原文本)可以达到相同的效果, 17 # 当然，这里没有用re.match来执行匹配，而是用了re.findall，这是因为后者可以适用于多行文本的匹配。 18 # 另外，re.compile后面的第2个参数，re.S是用来应对换行的，.匹配的单个字符不包括\n和\r，当遇到换行时，我们需要用到re.S 19 20 # 获取网页中的<p>标签中的内容，遇到换行符时，自动跳出循环 21 # 格式：标签加.*？，.*?表示取标签中的所有数据 22 pattern = re.compile('<p>.*?</p>',re.S) 23 items = re.findall(pattern, html) 24 return items 25 26 def write_item_to_file(item): 27 print('写入数据:' + str(item)) 28 # 保存的文件名blog.txt，写入文件的格式a追加，写入文件的中文格式化UTF-8 29 with open('blog.txt', 'a', encoding='UTF-8') as f: 30 # 遇到换行符时，自动换行 31 f.write(json.dumps(item, ensure_ascii=False) + '\n') 32 33 def main(page): 34 # 网址 35 url = 'https://www.cnblogs.com/chenting123456789/p/11840740.html' + str(page) 36 # 调用获取网页数据的函数 37 html = request_blog(url) 38 # 调用解析已获取的网页数据的函数 39 items = parse_result(html) 40 # 循环写入文件 41 for item in items: 42 write_item_to_file(item) 43 44 if __name__ == "__main__": 45 for i in range(1,5): 46 main(i)
2.运行结果
3.原文文章截图
4.写入文件内容
三、小结
强化爬虫爬取网页信息的技术，以及解析数据时的逻辑顺序。
