Python爬虫常用正则表达式及HTML网页标签分析总结
这篇文章主要是介绍Python爬取网页信息时，经常使用的正则表达式及方法。它是一篇总结性文章，实用性比较大，主要解决自己遇到的爬虫问题，也希望对你有所帮助~
当然如果会Selenium基于自动化测试爬虫、BeautifulSoup分析网页DOM节点，这就更方便了，但本文更多的是介绍基于正则的底层爬取分析。
更多Python视频、源码、资料加群683380553免费获取
1.获取<tr></tr>标签之间内容
该部分主要是通过正则表达式获取两个标签之间的内容，通常这种标签都是成对出现的。
开始标签如：<tr>、<th>、<td>、<a>、<table>、<div>...
后缀标签如：</tr>、</th>、</td>、</a>、</table>、</div>...
核心代码：
res_tr = r'<tr>(.*?)</tr>' m_tr = re.findall(res_tr,language,re.S|re.M)
例子：
输出如下所示：
python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 搜索string，以列表形式返回全部能匹配的子串。其中RE的常见参数包括：
- re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法）
- re.M(re.MULTILINE): 多行模式，改变'^'和'$'的行为
- re.S(re.DOTALL): 点任意匹配模式，改变'.'的行为
2.获取超链接<a href=..></a>之间内容
通常在使用正则表达式时，需要分析网页链接，获取URL或网页内容。核心代码如下：
res = r'<a .*?>(.*?)</a>' mm = re.findall(res, content, re.S|re.M) urls=re.findall(r"<a.*?href=.*?</a>", content, re.I|re.S|re.M)
例子：
输出如下图所示：
当然如果是通过Selenium分析DOM树结构获取href对应的url或title中的值，其核心代码如下所示，这里主要是给大家做个对比，理解不同方法的优势：
通常在使用Python爬取图片过程中，会遇到图片对应的URL最后一个字段通常用于命名图片，如虎扑孙悦妻子图片：
此时需要通过该URL的"/"后面的参数命名图片，则方法如下：
输出如下所示：
在使用Python获取GET方法的URL链接中，还可能存在传递参数的值。
此时获取参数方法如下：
输出如下所示：
4.爬取网页中所有URL链接
在学习爬虫过程中，你肯定需要从固有网页中爬取URL链接，再进行下一步的循环爬取或URL抓取。如下，爬取CSDN首页的所有URL链接。
输出如下所示：
5.爬取网页标题title两种方法
获取网页标题也是一种常见的爬虫，如我在爬取维基百科国家信息时，就需要爬取网页title。通常位于<html><head><title>标题</title></head></html>中。
下面是爬取CSDN标题的两种方法介绍：
输出如下所示：
6.定位table位置并爬取属性-属性值
如果使用Python库的一些爬取，通常可以通过DOM树结构进行定位，如代码：
login = driver.find_element_by_xpath ("//form[@id='loginForm']")
但如果是正则表达式这种相对传统傻瓜式的方法，通过通过find函数寻找指定table方法进行定位。如：获取Infobox的table信息。
通过分析源代码发现“程序设计语言列表”的消息盒如下：
<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>
print infobox 输出其中一门语言ActionScript的InfoBox消息盒部分源代码如下：
然后再在这个infobox内容中通过正则表达式进行分析爬取。下面讲述爬取属性-属性值：
爬取格式如下：
其中th表示加粗处理，td和th中可能存在属性如title、id、type等值；同时<td></td>之间的内容可能存在<a href=..></a>或<span></span>或<br />等值，都需要处理。下面先讲解正则表达式获取td值的例子：
Python代码如下：
如果<td id="">包含该属性则正则表达式为r'<td id=.*?>(.*?)</td>'；同样如果不一定是id属性开头，则可以使用正则表达式r'<td .*?>(.*?)</td>'。
7.过滤<span></span>等标签
在获取值过程中，通常会存在<span>、<br>、<a href>等标签，下面举个例子过滤。
<td><span class="nickname">(字) 翔宇</span></td>过滤标签<span>核心代码：
代码如下，注意print中逗号连接字符串：
输出如下所示：
8.获取<script></script>等标签内容
比如在获取游讯网图库中，图集对应的原图它是存储在script中，其中获取原图-original即可，缩略图-thumb，大图-big，通过正则表达式下载URL：
res_original = r'"original":"(.*?)"' #原图 m_original = re.findall(res_original,script)
代码如下：
运行结果如下图所示，同时下载图片至E盘。
9.通过replace过滤<br />标签
在获取值过程中，通常会存<br />标签，它表示HTML换行的意思。常用的方法可以通过标签'<'和'>'进行过滤，但是这里我想讲述的是一种Python常用的过滤方法，在处理中文乱码或一些特殊字符时，可以使用函数replace过滤掉这些字符。核心代码如下：
if '<br />' in value: value = value.replace('<br />','') #过滤该标签 value = value.replace(' ',' ') #换行空格替代 否则总换行
例如过滤前后的例子：
達洪阿 異名： (字) 厚菴<br /> (諡) 武壯<br /> (勇號) 阿克達春巴圖魯
達洪阿 異名： (字) 厚菴 (諡) 武壯 (勇號) 阿克達春巴圖魯
10.获取<img ../>中超链接及过滤<img>标签
在获取值属性值过程中，可能在分析table/tr/th/td标签后，仍然存在<img />图片链接，此时在获取文字内容时，你可能需要过滤掉这些<img>标签。这里采用的方法如下：
value = re.sub('<[^>]+>','', value)
例如：
输出如下：
虽然仅仅包括汉字，但是中间会存在换行，需要过滤<br />即可：
下面讲述第二部分，通过正则表达式获取<img>中的src超链接，代码如下：
输出如下所示：
findall函数返回的总是正则表达式在字符串中所有匹配结果的列表，即findall中返回列表中每个元素包含的信息。
最后希望文章对你有所帮助，后面如果遇到新的相关知识，我也会即使的更新添加的。
本文来自博客园，作者：I'm_江河湖海，转载请注明原文链接：https://www.cnblogs.com/jhhh/p/16766649.html
