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(1)

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

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：

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

ert/21b2604bd33c4b6713f686ddd3fe5aff.png)

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！