- 正则表达式：
- 常用元字符
- 量词：控制前面的元字符出现的次数
- 贪婪匹配和惰性匹配
- 用例：
- re模块中我们需要记住的几个功能
- `re.findall`，*匹配字符串中所有符合正则的内容[返回列表]*
- `re.search`,*全文匹配，找到一个结果就返回，返回的结果是match对象，拿数据需要.group()*
- `re.match`,*从头开始匹配，相当于加了个^*
- `re.finditer`,*匹配字符串中所有内容[返回迭代器]，从迭代器中拿到内容需要.group()*
- `re.compile`,*可以将一个长正则表达式预加载，方便后续使用*
- 正则中的内容如何单独提取？
- Beautiful Soup解析-HTML语法：
- Xpath解析：
- xpath爬猪八戒网：
正则表达式：三种解析方式：
- re解析
- bs4解析
- xpath解析
这三种方式可以混合使用，完全以结果做向导，只要能拿到想要的数据，用什么方案并不重要，性能是后续需要考虑的问题
Regular Expression：一种使用表达式的方式对字符串进行匹配的语法规则。
抓取到的网页源代码本质上就是一个超长的字符串，想从里面提取内容，用正则表达式再适合不过了。
正则的优点：速度快，效率高，准确性高。
正则的缺点：新手上手难度高
语法：使用元字符进行排列组合用来匹配字符串。
在线测试正则表达式
常用元字符. 匹配除换行符以外的任意字符 w 匹配数字/字母/下划线 d p s 匹配任意空白符 n 匹配一个换行符 t 匹配一个制表符 ^ 匹配字符串的开始 $ 匹配字符串的结尾 W 匹配非字母或数字或下划线 D 匹配非数字 S 匹配非空白符 a|b 匹配字符a或字符b ( ) 匹配括号内的表达式，也表示一个组 [...] 匹配字符组中的字符 [^...] 匹配除了字符组中字符的所有字符量词：控制前面的元字符出现的次数
* 重复零次或更多次
+ 重复一次或更多次
? 重复零次或一次
{n} 重复n次
{n,} 重复n次或更多次
{n,m} 重复n到m次
贪婪匹配和惰性匹配
.*? 惰性匹配 .* 贪婪匹配
爬虫用的最多的就是惰性匹配。
用例：# 惰性匹配 --> 尽可能少 d import re str = "玩儿吃鸡游戏，晚上一起打游戏，干嘛呢？打游戏啊！" form = r"玩儿.*?游戏" res = re.findall(form,str) print(res) -----------------------------------------------------re模块中我们需要记住的几个功能# 贪婪匹配 --> 尽可能多 import re str = "玩儿吃鸡游戏，晚上一起打游戏，干嘛呢？打游戏啊！" form = r"玩儿.*游戏" res = re.findall(form,str) print(res) ----------------------------------------------------- import re str = "周杰伦林俊杰" form = r".*?" res = re.findall(form,str) print(res) ----------------------------------------------------- ['周杰伦', '林俊杰']
- re.findall，匹配字符串中所有符合正则的内容[返回列表]
lst1 = re.findall("m","mai le fo leng,mai ni mei!")
lst2 = re.findall(r"d+","5点之前，给我5000万")
print(lst1)
print(lst2)
-----------------------------------------------
['m','m','m']
['5','5000']
- re.search,全文匹配，找到一个结果就返回，返回的结果是match对象，拿数据需要.group()
ret = re.search(r"d+","5点之前，给我5000万").group() print(ret) ----------------------------------------------- 5
- re.match,从头开始匹配，相当于加了个^
ret = re.match("a","abc").group()
print(ret)
-----------------------------------------------
a
- re.finditer,匹配字符串中所有内容[返回迭代器]，从迭代器中拿到内容需要.group()
it = re.finditer("m","mai le fo leng,mai ni mei!")
for el in it:
print(el.group())
- re.compile,可以将一个长正则表达式预加载，方便后续使用
obj = re.compile(r"d{3}") # 将正则表达式编译成一个正则表达式对象，规则要匹配的是三个数字
ret = obj.search("abc123eeee") # 正则表达式对象调用search，参数为待匹配的字符串
print(ret.group())
-----------------------------------------------
123
- 正则中的内容如何单独提取？
单独获取到正则中的具体内容可以给分组起名字
import re s = """ 郭麒麟 周杰伦 刘耕宏 宋轶 李连杰 """ # (?P<分组名字>正则) 可以单独从正则匹配的内容中进一步提取内容 obj = re.compile(r".*?)'>d+)'>(?P.*?)",re.S) # re.S让.能匹配换行符 result = obj.finditer(s) for i in result: print(i.group("englishname"),i.group("name"),i.group("id"),sep="***") --------------------------------------------------------------------------------------------------------------------------------- jay***郭麒麟***1 jj***周杰伦***2 jolin***刘耕宏***3 sylar***宋轶***4 alex***李连杰***5
Beautiful Soup解析-HTML语法：
HTML(Hyper Text Markup Language)超文本标记语言，是编写网页的最基本也是最核心的一种语言，其语法规则就是用不同的标签对网页上的内容进行标记，从而使网页显示出不同的展示效果。
i love you
i love you
# h1:标签 # align:属性 # center:属性值 <标签 属性="属性值"> 被标记的内容 ------------------------------------------------------ # 还有一些标签与上面的形式不同 <标签 />
from bs4 import BeautifulSoup as bs
# 2.从beautifulsoup中查找数据
# find:只找第一个，(标签，属性=值)
# findall：全部返回，(标签，属性=值)
# table = page.find("table",class_="layui-hide") # class是python关键字，bs4为了避免报错增加一个下划线
table = page.find("table",attrs={"class":"layui-hide"}) # 和上一行 效果一样，可以避免class报错
# 举例
alist = table.find_all("a") # 拿到table中所有的a标签值(或其他隶属于table的子标签值)[列表形式]
for a in alist:
# 拿到所有a标签
可以find().find_all()不可以find_all().find_all()
Xpath解析：# xpath 是xml文档中搜索内容的一门语言 # html是xml的一个子集 """ 父节点...子节点...兄弟节点(白话：层级关系)""" # python中需要安装lxml模块 from lxml import etree xml = """ """ tree = etree.XML(xml) # result = tree.xpath("/skills/skill/name/text()") # /表示层级关系，第一个/是根节点 text()返回文本 # result = tree.xpath("/skills/skill//name/text()") # 不同层级内有同时想要的内容，跨层级搜索用// result = tree.xpath("/skills/skill/div/*/name/text()") # *表示任意节点，通配符 # result = tree.xpath("/skills//name/text()") # 直接拿出所有name print(result) 1 咫尺天涯 勇闯天涯 勇闯天涯1 100 2 零度空间 哈哈哈哈 哈哈哈哈1 110 3 虎踞式 嘿嘿嘿嘿 嘿嘿嘿嘿1 120
from lxml import etree
tree = etree.parse(r"E:VSCodeFilespythoncrawlertest.html")
res1 = tree.xpath('/html/body/ul/li/a/text()') # xpath索引找内容
res2 = tree.xpath('/html/body/ul/li[1]/a/text()') # 只想要第一个
res3 = tree.xpath('/html/body/ol/li/a[@href="dapao"]/text()') # [@property=xxx]根据属性内容查找
li_list = tree.xpath('/html/body/ol/li') # 返回指定目录下li列表
for li in li_list:
res4 = li.xpath('./a/text()') # 在li中继续寻找 ./表示相对查找
res5 = li.xpath('./a/@href') # @表示属性
print(res4,res5,sep="||")
print(tree.xpath('/html/body/ul/li/a/@href'))
print(tree.xpath('/html/body/div[1]/text()'))
xpath爬猪八戒网：
# 爬猪八戒
# 提取和解析数据
import requests
from lxml import etree
url = "https://beijing.zbj.com/search/f/?kw=saas"
header = {
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"
}
resp = requests.get(url,headers=header)
resp.close()
# print(resp.text)
# 解析
html = etree.HTML(resp.text)
# 拿到每一个服务商的div
divs = html.xpath("/html/body/div[6]/div/div/div[2]/div[5]/div[1]/div")
for div in divs:
title = "SASS".join(div.xpath("./div/div/a[2]/div[2]/div[2]/p/text()"))
price = div.xpath("./div/div/a[2]/div[2]/div[1]/span[1]/text()")
volume = div.xpath("./div/div/a[2]/div[2]/div[1]/span[2]/text()")
company = div.xpath("./div/div/a[1]/div[1]/p/text()")
from_ = div.xpath("./div/div/a[1]/div[1]/div/span/text()")
print(f"标题:{title}")
print(f"公司:{company[1].lstrip()}")
print(f"地点:{from_[0]}")
print(f"价格:{price[0]}")
print(f"{volume[0]}")
print("-"*80)
