爬虫之正则和xpath
一.正解解析
常用正则表达式回顾：
单字符：. : 除换行以外所有字符 [] ：[aoe] [a-w] 匹配集合中任意一个字符 \d ：数字 [0-9] \D : 非数字 \w ：数字、字母、下划线、中文 \W : 非\w \s ：所有的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 \S : 非空白
数量修饰：
* : 任意多次 >=0 + : 至少1次 >=1 ? : 可有可无 0次或者1次 {m} ：固定m次 hello{3,} {m,} ：至少m次 {m,n} ：m-n次
边界： $ : 以某某结尾
^ : 以某某开头
分组：(ab) 贪婪模式： .* 非贪婪（惰性）模式： .*?
re.I : 忽略大小写
re.M ：多行匹配
re.S ：单行匹配
re.sub(正则表达式, 替换内容, 字符串)
爬取糗百数据
import re import requests from urllib import request import os #1.检查页面数据是否为动态加载出来的 #2.获取页面源码数据 if not os.path.exists('qiutu'): os.mkdir('qiutu') headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36' } url = 'https://www.qiushibaike.com/pic/' page_text = requests.get(url=url,headers=headers).text #3.解析img标签的src属性值 ex = '<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>' img_url_list = re.findall(ex,page_text,re.S) for img_url in img_url_list: img_url = 'https:'+img_url imgPath = 'qiutu/'+img_url.split('/')[-1] #4.对图片url发请求 #5.持久化存储 request.urlretrieve(url=img_url,filename=imgPath) print(imgPath+'下载成功!!!')
二.xpath解析
xpath介绍
https://www.cnblogs.com/clbao/articles/10803582.html
1.下载：pip install lxml
2.导包：from lxml import etree
3.使用：
将html文档或者xml文档转换成一个etree对象，然后调用对象中的方法查找指定的节点
1.本地文件
本地文件：tree = etree.parse(文件路径或者一段代码) tree.xpath("xpath表达式")
from lxml import etree html = """ <div> <ul> <li class="item-0"><a href="link1.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >first item</a></li> <li class="item-inactive"><a href="link2.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >third item</a></li> <li class="item-1"><a href="link3.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fourth item</a></li> <li class="item-0"><a href="link4.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fifth item</a> </ul> </div> """ html = etree.HTML(html) print(html) # <Element html at 0x3531800> result = etree.tostring(html) print(result.decode("utf-8")) # 补全了html和body标签
2.网络数据
网络数据：tree = etree.HTML(网页内容字符串) tree.xpath("xpath表达式")
测试页面数据
<html lang="en"> <head> <meta charset="UTF-8" /> <title>测试bs4</title> </head> <body> <div> <p>百里守约</p> </div> <div class="song"> <p>李清照</p> <p>王安石</p> <p>苏轼</p> <p>柳宗元</p> <a href="http://www.song.com/" title="赵匡胤" target="_self"> <span>this is span</span> 宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a> <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a> <img src="http://www.baidu.com/meinv.jpg" alt="" /> </div> <div class="tang"> <ul> <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li> <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li> <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li> <li><a href="http://www.sina.com" class="du">杜甫</a></li> <li><a href="http://www.dudu.com" class="du">杜牧</a></li> <li><b>杜小月</b></li> <li><i>度蜜月</i></li> <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li> </ul> </div> </body> </html>
属性定位：
#找到class属性值为song的div标签 //div[@class="song"]
层级&索引定位：#找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a //div[@class="tang"]/ul/li[2]/a
逻辑运算：
#找到href属性值为空且class属性值为du的a标签 //a[@href="" and @class="du"]
模糊匹配：//div[contains(@class, "ng")] //div[starts-with(@class, "ta")]
取文本：# /表示获取某个标签下的文本内容 # //表示获取某个标签下的文本内容和所有子标签下的文本内容 //div[@class="song"]/p[1]/text() //div[@class="tang"]//text() 取属性： //div[@class="tang"]//li[2]/a/@href
58二手房数据
import requests from lxml import etree #获取页面源码数据 url = 'https://bj.58.com/changping/ershoufang/?utm_source=sem-baidu-pc&spm=105916147073.26840108910' headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36' } page_text = requests.get(url=url,headers=headers).text #实例化etree对象且将页面源码数据加载到该对象中 tree = etree.HTML(page_text) li_list = tree.xpath('//ul[@class="house-list-wrap"]/li') all_data_list = [] for li in li_list: title = li.xpath('.//div[@class="list-info"]/h2/a/text()')[0] detail_url = li.xpath('.//div[@class="list-info"]/h2/a/@href')[0] if not 'https:' in detail_url: detail_url = 'https:'+detail_url price = li.xpath('.//div[@class="price"]/p//text()') price = ''.join(price) #对详情页发起请求,获取页面数据 detail_page_text = requests.get(url=detail_url,headers=headers).text tree = etree.HTML(detail_page_text) desc = tree.xpath('//div[@class="general-item-wrap"]//text()') desc = ''.join(desc).strip(' \n \b \t') dic = { 'title':title, 'price':price, 'desc':desc } all_data_list.append(dic) print(all_data_list)
