1. 程式人生 > >常用正則表達式爬取網頁信息及HTML分析總結

常用正則表達式爬取網頁信息及HTML分析總結

logfile mpi 開始 order 標題 ear 爬取網頁 常用 enter

Python爬取網頁信息時,經常使用的正則表達式及方法。

1.獲取<tr></tr>標簽之間內容
2.獲取<a href..></a>超鏈接之間內容
3.獲取URL最後一個參數命名圖片或傳遞參數
4.爬取網頁中所有URL鏈接
5.爬取網頁標題title兩種方法
6.定位table位置並爬取屬性-屬性值
7.過濾<span></span>等標簽
8.獲取<script></script>等標簽內容

1). 獲取<tr></tr>標簽之間內容
開始標簽如:<tr>、<th>、<td>、<a>、<table>、<div>...
後綴標簽如:</tr>、</th>、</td>、</a>、</table>、</div>...

核心代碼:

res_tr = r‘<tr>(.*?)</tr>‘
m_tr = re.findall(res_tr,language,re.S|re.M)

# eg_v1

import re
language = ‘‘‘<tr><th>床前明月光</th><td>憂思獨傷心</td></tr><tr>‘‘‘
# 正則表達式獲取<tr></tr>之間內容
res_tr = r"<tr>(.*?)</tr>"
m_tr = re.findall(res_tr,language,re.S|re.M)
print (unicode(m_tr,"utf-8"))
for line in m_tr:
print line
res_th = r"<th>(.*?)</th>"
m_th = re.findall(res_th,line,re.S|re.M)
for mm in m_th:
print (unicode(mm,"utf-8"))
res_td = r"<td>(.*?)</td>"
m_td = re.findall(res_td,line,re.S|re.M)
for nn in m_td:
print (unicode(nn,"utf-8"))

  


2). 獲取超鏈接<a href=..></a>之間內容
在使用正則表達式時,需要分析網頁鏈接,獲取URL或網頁內容。核心代碼如下:

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)

  

# eg_v2

import re
content = ‘‘‘
<td>
<a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主題介紹</a>
<a href="https://www.baidu.com//articles/gz.html" title="貴州省">貴州省主題介紹</a>
</td>
‘‘‘

  


# 獲取<a href></a>之間的內容

res = r‘<a .*?>(.*?)</a>‘
mm = re.findall(res,content,re.S|re.M)
for value in mm:
print (value)

# 獲取所有<a href></a>鏈接所有內容

urls = re.findall(r"a.*?href=.*?<\/a>",content,re.I|re.S|re.M)
for i in urls:
print i

# 獲取<a href></a>中的URL

res_url = r"(?<=href=\").+?(?=\")|(?<=href=\‘).+?(?=\‘)"
link = re.findall(res_url,content,re.I|re.S|re.M)
for url in link:
print (url)

  


3). 獲取URL最後一個參數命名圖片或傳遞參數
使用Python爬取圖片過程中,會遇到圖片對應的URL最後一個字段通常用於命名圖片
通過該URL的"/"後面的參數命名圖片
# eg_v3

urls = ‘http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg‘
value = urls.split("/")[-1]
print (value)
# BbsImg141568417848931_640*640.jpg

  

使用Python獲取GET方法的URL鏈接中,還可能存在傳遞參數的值,獲取參數方法:

url = ‘http://localhost/test.py?a=hello&b=world‘
values = url.split(‘?‘)[-1]
print (values)
# a=hello&b=world
for key_value in values.split(‘&‘):
print (key_value.split(‘=‘))
# [‘a‘, ‘hello‘]
# [‘b‘, ‘world‘]

  


4). 爬取網頁中所有URL鏈接
從固有網頁中爬取URL鏈接,再進行下一步的循環爬取或URL抓取.
# eg_v4 (爬取CSDN首頁的所有URL鏈接)

import re
import urllib2

url = "http://www.csdn.net/"
content = urllib2.urlopen(url).read()
urls = re.findall(r‘<a.*?href=.*?<\/a>‘,content,re.I)
for url in urls:
print (unicode(url,"utf-8"))

link_list = re.findall(r"(?=href=\".+?(?=\")|(?<=href=\‘).+?(?=\‘)",content)
for url in link_list:
print (url)

  

5). 爬取網頁標題title兩種方法
獲取網頁標題也是一種常見的爬蟲,常位於<html><head><title>標題</title></head></html>中
# eg_v5 (爬取CSDN標題)

import re
import urllib2

url = ‘http://www.csdn.net/‘
content = urllib2.urlopen(url).read()

# 方法一
title_pat = r‘(?<=<title>).*?(?=</title>)‘
title_ex = re.compile(title_pat,re.M|re.S)
title_obj = re.search(title_ex,content)
title = title_obj.group()
print (title)

# 方法二
title = re.findall(r‘<title>(.*?)</title>‘,content)
print (title[0])

  

6). 定位table位置並爬取屬性-屬性值
# eg_v6 (正則表達式獲取td值的例子)

import re
s = ‘‘‘<table> 
<tr> 
<td>序列號</td><td>DEIN3-39CD3-2093J3</td> 
<td>日期</td><td>2013年1月22日</td> 
<td>售價</td><td>392.70 元</td> 
<td>說明</td><td>僅限5用戶使用</td> 
</tr> 
</table>
‘‘‘
res = r‘<td>(.*?)</td><td>(.*?)</td>‘
m = re.findall(res,s,re.S|re.M)
for line in m:
print (unicode(line[0],‘utf-8‘),unicode(line[1],‘utf-8‘))

  


# 如果<td id="">包含該屬性則正則表達式為r‘<td id=.*?>(.*?)</td>‘;同樣如果不一定是id屬性開頭,則可以使用正則表達式r‘<td .*?>(.*?)</td>‘

7). 過濾<span></span>等標簽
獲取值過程中,通常會存在<span>、<br>、<a href>等標簽
核心代碼:

elif "span" in nn: #處理標簽<span>
res_value = r‘<span .*?>(.*?)</span>‘
m_value = re.findall(res_value,nn,re.S|re.M) 
for value in m_value:
print unicode(value,‘utf-8‘),

# eg_v7

import re
language = ‘‘‘
<table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3">
<caption style="text-align: center; font-size: larger;" class="fn"><b>購書</b></caption>
<tr>
<th>性別:</th>
<td>男</td>d
</tr>
<tr>
<th>異名:</th>
<td><span class="nickname">(字) 翔宇</span></td>
</tr>
<tr>
<th>政黨:</th>
<td><span class="org"><a href="../articles/%E4%B8%AD9A.html" title="購書中心"></a></span></td>
</tr>
<tr>
<th>籍貫:</th>
<td><a href="../articles/%E6%B5%9981.html" title="廣東省">廣東省</a><a href="../articles/%E7%BB%8D82.html" title="紹興市">紹興市</a></td>
</tr>
</table>
‘‘‘ 
# 獲取table中tr值
res_tr = r‘<tr>(.*?)</tr>‘
m_tr = re.findall(res_tr,language,re.S|re.M)

# 獲取表格第一列th 屬性
for line in m_tr:
res_th = r‘<th>(.*?)</th>‘
m_th = re.findall(res_th,line,re.S|re.M)
for mm in m_th:
if "href" in mm: # 如果獲取加粗的th中含超鏈接則處理
restr = r‘<a href=.*?(.*?)<\a>‘
h = re.findall(res_tr,mm,re.S|re.M)
print (unicode(h[0],‘utf-8‘))
else:
print (unicode(mm,‘utf-8‘))

# 取表格第二列td 屬性值
res_td = r‘<td>(.*?)</td>‘
m_td = re.findall(res_td,line,re.S|re.M)
for nn in m_td:
if ‘href‘ in nn:
res_value = r‘<a .*?>(.*?)</a>‘
m_value = re.findall(res_value,nn,re.S|re.M)
for value in m_value:
print (unicode(value,‘utf-8‘))
elif "span" in nn:
res_value = r‘<span .*?>(.*?)</span>‘
m_value = re.findall(res_value,nn,re.S|re.M)
for value in m_value:
print (unicode(value,‘utf-8‘)
else:
print (unicode(nn,‘utf-8‘))

print (‘ ‘)

  

8). 獲取<script></script>等標簽內容
在獲取遊訊網圖庫中,圖集對應的原圖它是存儲在script中,其中獲取原圖-original即可
通過正則表達式下載URL:

res_original = r‘"original":"(.*?)"‘ #原圖
m_original = re.findall(res_original,script)

# eg_v8

import re
import os
import urllib

content = ‘‘‘
<script>var images = [  
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",  
  "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",  
  "original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",  
  "title":"","descript":"","id":75109},  
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg",  
  "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg",  
  "original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg",  
  "title":"","descript":"","id":75110},   
</script>  
‘‘‘
html_script = r‘<script>(.*?)</script>‘
m_script = re.findall(html_script,content,re.S|re.M)
for script in m_script:
	res_original = r‘"original":"(.*?)"‘
	m_original = re.findall(res_original,script)
	for pic_url in m_original:
		print (pic_url)
		filename = os.path.basename(pic_url)
		urllib.urlretrieve(pic_url,"D:\\" + filename)

常用正則表達式爬取網頁信息及HTML分析總結