爬虫项目数据解析方式

最新推荐文章于 2022-11-21 16:01:25 发布

anxiacao4449

最新推荐文章于 2022-11-21 16:01:25 发布

阅读量332

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？

转载于:https://www.cnblogs.com/sikuaiqian/p/11306323.html

anxiacao4449

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
爬虫项目数据解析方式

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...
复制链接

扫一扫