1、爬取title标签的内容
采用的正则表达式为'<title>(.*?)</title>'，(.*?)就代表我们爬取的内容，以爬取百度首页title为例；
爬取百度标题代码如下：
# -*- coding: utf-8 -*-
import re
import urllib
url = "http://www.baidu.com"
content = urllib.urlopen(url).read()
title = re.findall(r'<title>(.*?)</title>',content)
print title[0]
爬取结果：
注意：上面输出的汉字出现乱码的情况，现对输出的解析方式做出更改
源码如下：
# -*- coding: utf-8 -*-
import re
import urllib
url = "http://www.baidu.com"
content = urllib.urlopen(url).read()
title = re.findall(r'<title>(.*?)</title>',content)
for t in title:
print unicode(t,'utf-8')#进行转码
更改后输出结果如下：
2、爬取超链接标签间的内容
HTML中超链接的基本结构为：
<a href="网页链接"></a>
<!--
eg:
<a href="http://www.ayouleyang.cn/">阿优乐扬</a>
-->
HTML中超链接的完整结构为：
(1)获取完整的超链接：
# -*- coding: utf-8 -*-
import re
import urllib
url = "http://www.baidu.com/"
content = urllib.urlopen(url).read()
#获取完整的超链接
res = r"<a.*?href=.*?<\/a>"
urls = re.findall(res, content)
for i in urls:
print unicode(i,'utf-8')
注意：
res = r"<a.*?href=.*?<\/a>"
所使用的正则表达式，符号间不能有空格符，建议在开发中，把使用的正则表达式单独列出来，方便查看与后续的更改。
运行结果：
(2)获取超链接里面的内容
# -*- coding: utf-8 -*-
import re
import urllib
url = "http://www.baidu.com/"
content = urllib.urlopen(url).read()
#获取超链接<a></a>里面的内容
res = r'<a.*?>(.*?)</a>'
urls = re.findall(res, content,re.S|re.M)
for t in urls:
print unicode(t,'utf-8')
re.M(re.MULTILINE)：允许多行模式
re.S(re.DOTALL)：支持点任意匹配模式
运行结果：
3、爬取HTML表格（tr标签和td标签）间的内容
网页中常用的布局包括table布局或div布局，其中table表格布局中常见的标签包括tr、th和td，表格行为tr（table row），表格数据为td（table data），表格表头th（table heading）。那么如何抓取这些标签之间的内容呢？大多数的网页表格的数据都是通过JS加载的，如贵州财经大学的招生网信息，我们先不对JS加载的数据进行就了解，先来学习一下爬取纯HTML的表格的内容。
预设HTML源码如下：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<meta http-equiv="X-UA-Compatible" content="ie=edge">
<title>贵州财经大学2018年理科各省分数线</title>
</head>
<body>
<table border="1">
<thead>
<tr><th>最高分</th><th>平均分</th><th>最低分</th><th>省控线</th><th>录取批次</th></tr>
</thead>
<tbody>
<tr>
<td>532</td><td>455</td><td>379</td><td>379</td><td class="w210">本科二批</td>
</tr>
<tr>
<td>556</td><td>523</td><td>491</td><td>484</td><td class="w210">本科一批</td>
</tr>
</tbody>
</table>
</body>
</html>
运行结果：
（1）截取部分源代码
在我们只需要网页中的一部分代码来进行分析时，我们可以取特定的部分进行爬取，提高分析的效率
# -*- coding: utf-8 -*-
import re
import urllib
url = "file:///G:/gufe.html" #本地预存的网页
content = urllib.urlopen(url).read()
star = content.find(r'<table border="1">') #爬取网页的起点，标签包含在其中
end =content.find(r'</body>') #爬取网页的终点，标签不包含在其中
print content[star:end]
注意：star的内容标签在其中，end的内容标签不在其中输出
运行输出结果：
注意：如果输出的中文出现乱码现象，请把print content[star:end]改为对应的编码方式输出，如utf-8：
print unicode(content[star:end],'utf-8')
（2）获取tr，th，td间的内容
# -*- coding: utf-8 -*-
import re
import urllib
url = "file:///G:/gufe.html" #本地预存的网页
content = urllib.urlopen(url).read()
star = content.find(r'<table border="1">') #爬取网页的起点，标签包含在其中
end =content.find(r'</body>') #爬取网页的终点，标签不包含在其中
result = unicode(content[star:end],'utf-8')
#获取<tr></tr>间的内容
res = r'<tr>(.*?)</tr>'
texts = re.findall(res,result,re.M|re.S)
for r in texts:
print u'<tr></tr>间的内容:',r
#获取<th></th>间的内容
for r in texts:
res_th = r'<th>(.*?)</th>'
text_th = re.findall(res_th,result,re.M|re.S)
for t in text_th:
print u'<th></th>间的内容:',t
print '================================================================================='
#横排输出<th></th>间的内容
res_th1 = r'<th>(.*?)</th><th>(.*?)</th><th>(.*?)</th><th>(.*?)</th><th>(.*?)</th>'
text_th1 = re.findall(res_th1,result,re.M|re.S)
for th1 in text_th1:
print u'<th></th>间的内容:',th1[0],th1[1],th1[2],th1[3],th1[4]
#获取<td></td>间的内容
res_td = r'<td>(.*?)</td><td>(.*?)</td><td>(.*?)</td><td>(.*?)</td><td class="w210">(.*?)</td>'
text_td = re.findall(res_td,result,re.M|re.S)
for d in text_td:
print u'<td></td>间的内容:',d[0],d[1],d[2],d[3],d[4]
运行结果：
心得：
1）为了避免我们获取的源码冗余，先进行片段截取。
2）对于我们所需要的正则表达式，可以先把我们需要的内容片段复制过来，用（.*?）直接进行替换，避免正则表达式代码出错。
3）多标签内的内容，需要循环输出
（3）字符串处理及替换
# -*- coding: utf-8 -*-
import re
content = '''
<tr><td>杨 友</td><td>良好<br /></td></tr>
<tr><td>杨金虎</td><td>及 格</td></tr>
<tr><td>杨绍伟</td><td><B>优秀</B></td></tr>
'''
#表格内容处理前
res = r'<tr><td>(.*?)</td><td>(.*?)</td></tr>'
texts = re.findall(res, content, re.S|re.M|re.I)
print ("===========表格内容处理前============")
for m in texts:
print (m[0],m[1])
#表格内容处理后
print ("===========表格内容处理后============")
for m in texts:
value0 = m[0].replace('<br />', '').replace(' ', '') #把出现的<br />和 替换成空
value1 = m[1].replace('<br />', '').replace(' ', '')
if '<B>' in value1:
m_value = re.findall(r'<B>(.*?)</B>', value1, re.S|re.M)#用正则表达式匹配<B></B>中的值
print (value0, m_value[0])
else:
print (value0, value1)
运行结果：
4、爬取标签中的参数
4.1、爬取超链接标签的URL
# -*- coding: utf-8 -*-
import re
content = '''
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新闻</a>
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地图</a>
<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">视频</a>
'''
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
urls = re.findall(res, content, re.I|re.S|re.M)
for url in urls:
print url
运行结果：
4.2、爬取图片超链接标签的URL
以获取百度logo的URL链接地址为例，图片的HTML链接地址基本结构为：
（1）包含域名
<img src="域名/文件夹/图片名称.图片格式" alt="图片的描述">
（2）不包含域名
<img src="/文件夹/图片名称.图片格式" alt="图片的描述">
百度的logo链接包含域名，不需要我们对域名和路径进行拼接，便于直接获取URL链接地址
获取链接源码如下：
import re
content = '''<img id="s_lg_img_new" class="s_lg_img_gold_showre" src="https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/img/logo/logo_white_fe6da1ec.png" width="270" height="129" usemap="#mp" title="" cursor="default">'''
urls = re.findall('src="(.*?)"', content, re.I|re.S|re.M)
print urls
运行结果：
4.3获取URL中的参数
通过split（’/’）来截取字符,采用字符“/”分割字符串，获取临近的字符
# -*- coding: utf-8 -*-
import re
#提取图片链接
content = '''<img alt="user" src="https://ayouleyang.cn/images/yangyou.png">'''
urls = re.findall('src="(.*?)"', content, re.I|re.S|re.M)
url = urls[0]
print u"图片链接：",url
#通过split截取字符
name = url.split('/')[-1]
print u'输出图片名字：',name
name1 = url.split('/')[-2]
print u'输出图片文件夹：',name1
心得： url.split(’/’)[-1] 表示以“/”分割，[-1]为倒数第一个字符串，[-2]为倒数第二个字符串
运行结果如下：
4964
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
