单字符匹配
. 除换行符之外的任意字符
\d 表示数字
\D 匹配非数字
\w 匹配单词字符[a-z,A-Z,0-9]
\W 匹配非单词字符
\s 匹配空白字符,空格,\n \t…
\S 匹配非空白字符
^ 匹配以…开头
$ 匹配以…结尾
[0-9] => \d 匹配0-9
多字符匹配(贪婪匹配)
- 匹配*前面的字符任意次数
- 匹配+前面的字符至少一次
?匹配?前面的字符0-1次
{n,m}匹配{n,m}前面的字符n-m次
多字符匹配(非贪婪匹配)
*?
+?
??
其他
()分组
|逻辑或
\转义字符
re模块下的方法
re.compile():构建正则表达式对象
re.match():从起始位开始匹配,单次匹配,如果匹配到结果立即返回,反之,返回None
re.search():在整个字符串中进行匹配,单次匹配,如果匹配到结果立即返回,反之,返回None
re.findall():匹配出整个字符串中,所有符合正则规则的结果,返回一个列表
re.finditer():匹配出整个字符串中,所有符合正则规则的结果,返回的是一个可迭代对象
re.sub():根据正则表达式进行字符串替换
re.split():根据正则表达式进行分割
正则的用法
def get_rank_data(url='http://top.hengyan.com/dianji/default.aspx?p=1'):
#构建请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
}
# url, \目标url
# data=None, \默认为None表示是get请求,如果不为None说明是get请求
# timeout 设置请求的超时时间
# cafile=None, capath=None, cadefault=False,:证书相关参数
# context=None :忽略证书认证
#urlopen不能添加请求头
# response = request.urlopen(url=url,timeout=10)
#添加请求头
req = request.Request(url=url,headers=headers)
response = request.urlopen(req,timeout=10)
#响应状态码
code = response.status
#当前请求的url地址
url = response.url
print(code,url)
b_content = response.read()
# bytes -> str: decode
# str -> bytes: encode
# print(b_content)
html = b_content.decode('utf-8')
# print(html)
# #文件操作
# """
# w: w+: wb: wb+ a: a+: ab: ab+: r: rb:
# """
# with open('hengyan.html','w') as file:
# file.write(html)
#证据正则表达式解析数据
# re.S 修饰:表示.可以匹配换行符
pattern = re.compile('<div\sclass="list">(.*?)</div>',re.S)
ul_str = re.findall(pattern,html)[0]
pattern1 = re.compile('<ul.*?>(.*?)</ul>',re.S)
li_strs = re.findall(pattern1,ul_str)[1:]
for li_str in li_strs:
# print(li_str)
pattern = re.compile(
'<li\sclass="num">(.*?)</li>'+
'.*?<a.*?>(.*?)</a>'+
'.*?<li.*?>(.*?)</li>'+
'.*?<li.*?>(.*?)</li>'+
'.*?<li.*?>(.*?)</li>'+
'.*?<li.*?>(.*?)</li>',
re.S
)
data = re.findall(pattern=pattern,string=li_str)[0]
print(data)
#提取下一页:
if '下一页' in html:
#说明还存在下一页
pattern = re.compile('<span\sclass="pageBarCurrentStyle">(.*?)</span>',re.S)
current_page = int(re.findall(pattern,html)[0])
next_page = current_page+1
#构造下一页的URL地址
next_page_url = re.sub('\d+',str(next_page),url)
print(next_page_url)
get_rank_data(next_page_url)
else:
print('数据提取完毕')
if __name__ == '__main__':
get_rank_data()
xpath
安装:pip install lxml
引用:from lxml import etree
创建etree对象进行指定数据解析
1.本地
etree = etree.parse(‘本地路径’)
etree.xpath(‘xpath表达式’)
2.网络
etree = etree.HTML(‘网络请求到页面的数据’)
etree.xpath(‘xpath表达式’)
常用的xpath表达式:
1.属性定位:
找到class属性值为song的div标签
//div[@class=‘song’]
2.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
3.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’]
4.模糊匹配
/表示获取某个标签下的文本内容 //div[@class=‘song’]/p[1]/text()
//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=‘tang’]//text()
5.取属性
//div[@class=‘tang’]//li[2]/a/@href
class HengYanSpider(object):
def __init__(self):
self.first_url = 'http://all.hengyan.com/1/0_0_0_0_0_0_0_0_0_1.aspx'
self.default_headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
}
def get_noval_url(self, url=None):
url = self.first_url if not url else url
"""获取小说详情的url地址"""
html = self.send_request(url)
if html:
# 解析数据(获取xpath解析器)
etree_html = etree.HTML(html)
noval_urls = etree_html.xpath('//li[@class="bookname"]/a[1]/@href')
for noval_url in noval_urls:
self.get_noval_detail(noval_url)
# 获取下一页
if '下一页' in html:
# 说明还存在下一页
current_page = int(self.extract_first(etree_html.xpath('//span[@class="pageBarCurrentStyle"]/text()]')))
next_page = current_page + 1
next_page_url = re.sub('\d+.aspx', str(next_page)+'.aspx', url)
self.get_noval_url(next_page_url)
else:
print('数据提取完毕')
else:
print('数据获取失败')
def get_noval_detail(self, noval_url):
"""获取书籍详情的页面内容,解析数据"""
html = self.send_request(noval_url)
if html:
# 解析数据(获取xpath解析器)
etree_html = etree.HTML(html)
# print('得到了详情页面')
noval_dict = {}
# 书号
book_id = self.extract_first(etree_html.xpath('//div[@class="dh"]/p/label/text()'))
noval_dict['book_id'] = re.search('\d+', book_id).group()
# 热度
noval_dict['hot'] = self.extract_first(etree_html.xpath('//p[@class="wendu"]/b/text()'))
# 火车票
noval_dict['hot_track'] = self.extract_first(
etree_html.xpath('//div[@class="piao"]/p[2]/span[@class="huocolor"]/text()'))
# 冰票
noval_dict['bing_track'] = self.extract_first(
etree_html.xpath('//div[@class="piao"]/p[2]/span[@class="bingcolor"]/text()'))
# 金笔
noval_dict['jingbi'] = self.extract_first(etree_html.xpath('//div[@class="jinbi"]//li[1]/p[2]/text()'))
# 标题
noval_dict['title'] = self.extract_first(etree_html.xpath('//h2/text()'))
# 简介
noval_dict['content'] = self.extract_first(
etree_html.xpath('//p[@class="intro ih1"]/text()|//p[@class="intro ih2"]/text()'))
# 作者
noval_dict['author'] = self.extract_first(etree_html.xpath('//div[@id="ainfo"]/p/span/a[2]/text()'))
print(noval_dict)
self.save_data(noval_dict)
def save_data(self, noval_dict):
"""保存数据"""
pass
def extract_first(self, data, default=''):
if len(data) > 0:
return data[0]
return default
def send_request(self, url, header=None, data=None, method="GET"):
"""发送请求"""
header = self.default_headers if not header else header
if method == 'GET':
# 发送get请求
response = requests.get(url=url, params=data, headers=header)
else:
# 发送post请求
response = requests.post(url=url, data=data, headers=header)
if response.status_code == 200:
# 请求成功,返回页面源码
return response.text
if __name__ == '__main__':
spider = HengYanSpider()
spider.get_noval_url()
bs4(python独有简单便捷和高效)
环境安装:pip install lxml bs4用到lxml库,如果没有安装过lxml库的时候,需要安装一下
代码使用流程:
核心思想:可以将html文档可以转换成BeautifulSoup对象,调用该对象中的属性和方法进行
1.导包
from bs4 import BeautifulSoup
2.创建BeautifulSoup对象
a.本地
Beautiful(‘open(‘本地的html文件’)’,‘lxml’)
b.网络
Beautiful(‘网络请求到的页面数据’,‘lxml’)
属性和方法:
1.根据标签名查找
soup.a 只能找到第一个符合要求的标签
2.获取属性
soup.a.attrs 获取a所有的属性和属性值,返回一个字典
soup.a.attrs[‘href’] 获取href属性
soup.a[‘href’] 也可简写为这种形式
3.获取内容
soup.a.string /text()
soup.a.text //text()
soup.a.get_text() //text()
如果标签还是标签,那么string获取到的结果为none,而其他两个,可以获取文本内容
4.find:找到第一个符合要求的标签
soup.find(‘a’) 找到第一个符合要求的
soup.find(‘a’,title=‘xxx’)
soup.find(‘a’,alt=‘xxx’)
soup.find(‘a’,class=‘xxx’)
soup.find(‘a’,id=‘xxx’)
5.find_All:找到所有符合要求的标签
soup.find_All(‘a’)
soup.find_All([‘a’,‘b’]) 找到所有的a和b标签
soup.find_All(‘a’,limit=2) 限制前两个
6.根据选择器选择指定的内容
select:soup.select(’#feng’)
常见的选择器:标签选择器(a)、类选择器(.)、id选择器(#)、层级选择器
层级选择器:
div .dudu #lala .name .xixi 下面好多级 div//img
div > p > a > .lala 只能是下面一级 div/img
select选择器返回永远是列表,需要通过下标提取指定对象
class HengYanSpider(object):
def __init__(self):
self.first_url = 'http://all.hengyan.com/1/0_0_0_0_0_0_0_0_0_1.aspx'
self.default_headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
}
def get_noval_url(self, url=None):
url = self.first_url if not url else url
"""获取小说详情的url地址"""
html = self.send_request(url)
if html:
bs_soup = BeautifulSoup(html, 'lxml')
lis = bs_soup.find_all(name='li', attrs={'class': 'bookname'})
for li in lis:
# a_list = li.find_all(name='a')
# if len(a_list) > 0:
# url = a_list[0].attrs['href']
a_list = li.select('a')
if len(a_list) > 0:
url = a_list[0].attrs['href']
self.get_noval_detail(url)
def get_noval_detail(self, noval_url):
"""获取书籍详情的页面内容,解析数据"""
html = self.send_request(noval_url)
if html:
# 解析数据(获取xpath解析器)
bs_soup = BeautifulSoup(html, 'lxml')
# print('得到了详情页面')
noval_dict = {}
# 书号
book_id = bs_soup.select('div.dh p label')[0].get_text()
noval_dict['book_id'] = re.search('\d+', book_id).group()
# 热度
noval_dict['hot'] = bs_soup.select('p.wendu b')[0].get_text()
# 火车票
noval_dict['hot_track'] = bs_soup.select('div.piao p')[1].select('.huocolor')[0].get_text()
# 冰票
noval_dict['bing_track'] = bs_soup.select('div.piao p')[1].select('.bingcolor')[0].get_text()
print(noval_dict)
# self.save_data(noval_dict)
def save_data(self, noval_dict):
"""保存数据"""
pass
def extract_first(self, data, default=''):
if len(data) > 0:
return data[0]
return default
def send_request(self, url, header=None, data=None, method="GET"):
"""发送请求"""
header = self.default_headers if not header else header
if method == 'GET':
# 发送get请求
response = requests.get(url=url, params=data, headers=header)
else:
# 发送post请求
response = requests.post(url=url, data=data, headers=header)
if response.status_code == 200:
# 请求成功,返回页面源码
return response.text
if __name__ == '__main__':
spider = HengYanSpider()
spider.get_noval_url()
网友评论