爬虫项目数据解析方式

最新推荐文章于 2024-08-21 11:03:15 发布

anxiacao4449

最新推荐文章于 2024-08-21 11:03:15 发布

阅读量374

点赞数

文章标签：爬虫 python php

原文链接：http://www.cnblogs.com/sikuaiqian/p/11306323.html

版权

数据解析

requests实现数据爬取的流程

指定url
基于requests模块发起请求
获取响应对象中的数据
进行持久化存储

因为大多数情况下的需求，我们都会指定去使用聚焦爬虫，也就是爬取页面中指定部分的数据值，而不是整个页面的数据，所以，我们的数据爬取的流程可以修改为：

指定url
基于requests模块发起请求
获取响应中的数据
数据解析
进行持久化存储

正则解析

常用的正则表达式回顾：

   单字符：
        . : 除换行以外所有字符
        [] ：[aoe] [a-w] 匹配集合中任意一个字符
        \d ：数字  [0-9]
        \D : 非数字
        \w ：数字、字母、下划线、中文
        \W : 非\w
        \s ：所有的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
        \S : 非空白
    数量修饰：
        * : 任意多次  >=0
        + : 至少1次   >=1
        ? : 可有可无  0次或者1次
        {m} ：固定m次 hello{3,}
        {m,} ：至少m次
        {m,n} ：m-n次
    边界：
        $ : 以某某结尾 
        ^ : 以某某开头
    分组：
        (ab)  
    贪婪模式： .*
    非贪婪（惰性）模式： .*?

    re.I : 忽略大小写
    re.M ：多行匹配
    re.S ：单行匹配

    re.sub(正则表达式, 替换内容, 字符串)

re模块练习：

import re
#提取出python
key="javapythonc++php"
re.findall('python',key)[0]
--------------------------------------------------------------------------------------------------------------------------
#提取出hello world
key="<html><h1>hello world<h1></html>"
re.findall('<h1>(.*)<h1>',key)[0]
--------------------------------------------------------------------------------------------------------------------------
#提取170
string = '我喜欢身高为170的女孩'
re.findall('\d+',string)
--------------------------------------------------------------------------------------------------------------------------
#提取出http://和https://
key='http://www.baidu.com and https://boob.com'
re.findall('https?://',key)
--------------------------------------------------------------------------------------------------------------------------
#提取出hello
key='lalala<hTml>hello</HtMl>hahah' #输出<hTml>hello</HtMl>
re.findall('<[Hh][Tt][mM][lL]>(.*)</[Hh][Tt][mM][lL]>',key)
--------------------------------------------------------------------------------------------------------------------------
#提取出hit. 
key='bobo@hit.edu.com'#想要匹配到hit.
re.findall('h.*?\.',key)
--------------------------------------------------------------------------------------------------------------------------
#匹配sas和saas
key='saas and sas and saaas'
re.findall('sa{1,2}s',key)
--------------------------------------------------------------------------------------------------------------------------
#匹配出i开头的行
string = '''fall in love with you
i love you very much
i love she
i love her'''

re.findall('^.*',string,re.M)
--------------------------------------------------------------------------------------------------------------------------
#匹配全部行
string1 = """<div>静夜思
窗前明月光
疑是地上霜
举头望明月
低头思故乡
</div>"""

re.findall('.*',string1,re.S)

项目爬取练习：

import requests
import re
import os
headers={
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.8 Safari/537.36'
}

url='https://www.qiushibaike.com/pic/page/%d'

dirname='./qiushiTU'
if not os.path.exists(dirname):
    os.mkdir(dirname)

for page in range(1,3):
    print('正在爬取第{}页的图片数据'.format(page))
    new_url=format(url%page)
    
    
    page_text=requests.get(url=new_url,headers=headers).text
    ex='<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>'
    img_src_list=re.findall(ex,page_text,re.S)
    for img_src in img_src_list:
        img_src='https:'+img_src
        img_name=img_src.split('/')[-1]
        img_path=dirname+'/'+img_name
        request.urlretrieve(img_src,img_path)
        print(img_name,'下载成功')

Xpath解析

xpath表达式

属性定位：
    #找到class属性值为song的div标签
    //div[@class="song"] 
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
    #索引值是从1开始
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"]
模糊匹配：
    //div[contains(@class, "ng")]
    //div[starts-with(@class, "ta")]
取文本：
    # /表示获取某个标签下的文本内容，我们必须从根标签进行定位
    # //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，我们可以从任意位置标签定位
    //div[@class="song"]/p[1]/text()
    //div[@class="tang"]//text()
取属性：
    //div[@class="tang"]//li[2]/a/@href

    在xpath表达式中非最左侧的/和//的区别？