3- 非结构化数据与结构化数据提取

正则表达式匹配规则

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀，示例：

r'chuanzhiboke\t\.\tpython'

re 模块的一般使用步骤如下：

使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象
通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。
最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

import re

# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')

match 方法

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

match(string[, pos[, endpos]])

>>> import re
>>> pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

>>> m = pattern.match('one12twothree34four')  # 查找头部，没有匹配
>>> print (m)
None

>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
>>> print (m)
None
>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
>>> print (m)                                         # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>

>>> m.group(0)   # 可省略 0
'12'

search 方法

　　search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

 import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four')  # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'

findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。

findall 方法的使用形式如下：

findall(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

import re
pattern = re.compile(r'\d+')   # 查找数字

result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)

print (result1)
print (result2)

执行结果：

['123456', '789']
['1', '2']

split 方法

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

　其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

import re
p = re.compile(r'[\s\,\;]+')
print (p.split('a,b;; c   d'))

　　执行结果：

['a', 'b', 'c', 'd']

sub 方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；
如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count 用于指定最多替换次数，不指定时全部替换。

import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'

print (p.sub(r'hello world', s))  # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
print (p.sub(r'\2 \1', s))        # 引用分组

　　执行结果：

hello world, hello world
123 hello, 456 hello

匹配中文

在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的 unicode 编码范围主要在 [u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。

假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：

import re

title = '你好，hello，世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print (result)

注意到，我们在正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

执行结果:

['你好', '世界']

注意：贪婪模式与非贪婪模式

贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；
非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；
Python里数量词默认是贪婪的。

主要通过正则匹配里面P标签的内容爬取内涵段子吧的笑话

<h1 class="title">
	<p>晴交了个男朋友，极为帅气。在父母旅游回来后，带他回了家。不料二老一见，竟十分反对。
在男友走后，母亲苦口婆心地告诉晴：“那个男人肯定靠不住！分手吧！”晴反驳：“你怎么知道！”遂和母亲赌气离家出走同居。母亲哭道：他爸，要不然告诉她实话吧！父亲吃了根蜡烛：只能这样了！
        </p>
</h1>

这里需要注意一个是`re.S`是正则表达式中匹配的一个参数，,默认是不能匹配换行的,加上re.S上之后就可以了

import re
import requests

headers = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}

r = requests.get("http://neihanshequ.com/",headers=headers)

result=r.content.decode()

data = re.findall(r'<h1 class="title">.*?<p>(.*?)</p>.*?</h1>',result,re.S)
print(data)

with open('xiaohua','a',encoding='utf-8') as f:
    for i in data:
        f.write(i)
        f.write('\n')

爬取豆瓣美剧和国产剧

json返回的数据如下：

我们只需要

"subject_collection_items"和"total"

import requests
from retrying import retry
import json

class doubaspider():
    def __init__(self):
        self.url_list = [
            {
                "url": "https://m.douban.com/rexxar/api/v2/subject_collection/filter_tv_domestic_hot/items?for_mobile=1&start={}&count=18",
                "country": "CN"
            },
            {
                "url": "https://m.douban.com/rexxar/api/v2/subject_collection/filter_tv_american_hot/items?for_mobile=1&start={}&count=18",
                "country": "US"

            }
        ]
        self.headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}

    # 发送请求
    @retry(stop_max_attempt_number=3)
    def send_request(self,url):
        print('正在请求',url)
        r=requests.get(url,headers=self.headers)
        assert r.status_code==200
        return r.content.decode()
    # 获取响应
    def response(self,url):
        try:
            html_str=self.send_request(url)
        except:
            html_str=None
        return html_str

    # 提取结果,接受的是一个json的数据把json的数据转换成字典，取里面需要的subject_collection_items和total
    def get_content_list(self,html_str):
        dic_response = json.loads(html_str)
        content_list=dic_response['subject_collection_items']
        total_num = dic_response['total']
        return content_list,total_num

    # 保存数据,因为列表content_list里面的东西是字典,所以要遍历，把里面的字典转换成字符串
    def save_data(self,content_list):
        with open('douba.txt','a',encoding='utf8') as f:
            for item in content_list:
                f.write(json.dumps(item,ensure_ascii=False,indent=2))
                print('保存成功')
    def run(self):
        # 发送请求,遍历请求的列表拿出每个请求路径
        for url_temp in  self.url_list:
            num = 0
            total_num = 100
            while num < total_num:
                url = url_temp['url'].format(num)
                html_str=self.response(url)
                content_list,total_num=self.get_content_list(html_str)
                for i in content_list:
                    i["country"]=url_temp["country"]

                self.save_data(content_list)

if __name__=='__main__':
    douban_spider = doubaspider()
    douban_spider.run()

View Code

XPath和xlmi库

为什么要学习XPATH和LXML类库：lxml是一款高性能的 Python HTML/XML 解析器，我们可以利用XPath，来快速的定位特定元素以及获取节点信息.

什么是XPATH：XPath (XML Path Language) 是一门在 HTML\XML 文档中查找信息的语言，
可用来在 HTML\XML 文档中对元素和属性进行遍历。

W3School官方文档：http://www.w3school.com.cn/xpath/index.asp

lxml 是一个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。

lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。

lxml python 官方文档：http://lxml.de/index.html

需要安装C语言库，可使用 pip 安装：pip install lxml （或通过wheel方式安装）

初步使用

我们利用它来解析 HTML 代码，简单示例：

# 使用 lxml 的 etree 库
from lxml import etree

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a> # 注意，此处缺少一个 </li> 闭合标签
     </ul>
 </div>
'''

#利用etree.HTML，将字符串解析为HTML文档
html = etree.HTML(text)

# 按字符串序列化HTML文档
result = etree.tostring(html).decode()

print(result)

输出结果：

<html><body>
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
 </div>
</body></html>

　　lxml 可以自动修正 html 代码，例子里不仅补全了 li 标签，还添加了 body，html 标签。

除了直接读取字符串，lxml还支持从文件里读取内容

文件读取：

除了直接读取字符串，lxml还支持从文件里读取内容。我们新建一个hello.html文件：

<!-- hello.html -->

<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
 </div>

　　再利用 etree.parse() 方法来读取文件。

from lxml import etree

# 读取外部文件 hello.html
html = etree.parse('./hello.html')
result = etree.tostring(html, pretty_print=True)

print(result)

输出结果与之前相同

XPath实例测试

1. 获取所有的 `<li>` 标签

from lxml import etree

html = etree.parse('hello.html')
print type(html)  # 显示etree.parse() 返回类型

result = html.xpath('//li')

print (result)  # 打印<li>标签的元素集合
print (len(result))
print (type(result))
print (type(result[0]))

　　输出结果：

<type 'lxml.etree._ElementTree'>
[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]
5
<type 'list'>
<type 'lxml.etree._Element'>

2. 继续获取`<li>` 标签的所有 `class`属性

from lxml import etree

html = etree.parse('hello.html')
result = html.xpath('//li/@class')

print (result)

　　运行结果

['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

3. 继续获取`<li>`标签下`href` 为 `link1.html` 的 `<a>` 标签

from lxml import etree

html = etree.parse('hello.html')
result = html.xpath('//li/a[@href="link1.html"]')

print (result)

运行结果

[<Element a at 0x10ffaae18>]

4. 获取`<li>` 标签下的所有 `<span>` 标签

from lxml import etree

html = etree.parse('hello.html')

#result = html.xpath('//li/span')
#注意这么写是不对的：
#因为 / 是用来获取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用双斜杠

result = html.xpath('//li//span')

print (result)

运行结果

[<Element span at 0x10d698e18>]

5. 获取 `<li>` 标签下的`<a>`标签里的所有 class

from lxml import etree

html = etree.parse('hello.html')
result = html.xpath('//li/a//@class')

print (result)

运行结果

['blod']

6. 获取最后一个 `<li>` 的 `<a>` 的 href

from lxml import etree

html = etree.parse('hello.html')

result = html.xpath('//li[last()]/a/@href')
# 谓语 [last()] 可以找到最后一个元素

print (result)

运行结果

['link5.html']

7. 获取倒数第二个元素的内容

from lxml import etree

html = etree.parse('hello.html')
result = html.xpath('//li[last()-1]/a')

# text 方法可以获取元素内容
print (result[0].text)

运行结果

fourth item

8. 获取 `class` 值为 `bold` 的标签名

from lxml import etree

html = etree.parse('hello.html')

result = html.xpath('//*[@class="bold"]')

# tag方法可以获取标签名
print (result[0].tag)

运行结果

span

posted @ 2017-10-31 21:57 Crazymagic 阅读(934) 评论(0) 编辑收藏举报

刷新页面返回顶部

Crazymagic

3- 非结构化数据与结构化数据提取

正则表达式匹配规则

re 模块的一般使用步骤如下：

compile 函数

match 方法

search 方法

findall 方法

split 方法

sub 方法

匹配中文

注意：贪婪模式与非贪婪模式

这里需要注意一个是re.S是正则表达式中匹配的一个参数，,默认是不能匹配换行的,加上re.S上之后就可以了

爬取豆瓣美剧和国产剧

XPath和xlmi库

初步使用

文件读取：

XPath实例测试

1. 获取所有的 <li> 标签

2. 继续获取<li> 标签的所有 class属性

3. 继续获取<li>标签下href 为 link1.html 的 <a> 标签

4. 获取<li> 标签下的所有 <span> 标签

5. 获取 <li> 标签下的<a>标签里的所有 class

6. 获取最后一个 <li> 的 <a> 的 href

7. 获取倒数第二个元素的内容

8. 获取 class 值为 bold 的标签名

公告

这里需要注意一个是`re.S`是正则表达式中匹配的一个参数，,默认是不能匹配换行的,加上re.S上之后就可以了

1. 获取所有的 `<li>` 标签

2. 继续获取`<li>` 标签的所有 `class`属性

3. 继续获取`<li>`标签下`href` 为 `link1.html` 的 `<a>` 标签

4. 获取`<li>` 标签下的所有 `<span>` 标签

5. 获取 `<li>` 标签下的`<a>`标签里的所有 class

6. 获取最后一个 `<li>` 的 `<a>` 的 href

8. 获取 `class` 值为 `bold` 的标签名