Python爬虫常用正则表达式及HTML网页标签分析总结_python正则怎么删掉span

res_tr = r’(.*?)’ 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 .*?>(.*?)’ mm = re.findall(res, content, re.S|re.M) urls=re.findall(r"<a.*?href=.*?", 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：

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；同时之间的内容可能存在或或
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：

如果包含该属性则正则表达式为r’(.*?)‘；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 .*?>(.*?)'。

7.过滤等标签

在获取值过程中，通常会存在、
、等标签，下面举个例子过滤。

(字) 翔宇过滤标签 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。

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。