爬虫之Re库入门

学习地址：https://www.icourse163.org/learn/BIT-1001870001?tid=1003245012#/

• 正则表达式

正则表达式的常用操作符

匹配IP地址的正则表达式

IP地址分四段，每段0-255

 

• Re库的基本使用

正则表达式的表示类型

• raw string类型（原生字符串类型）

• string类型，更繁琐

Re库主要功能函数

1.re.search(pattern, string, flags=0)

在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象。

• pattern:正则表达式的字符串或原生字符串表示
• string:待匹配字符串
• flags:正则表达式使用时的控制标记

2.re.match(pattern, string, flags=0)

从一个字符串的开始位置起匹配正则表达式，返回match对象。

3.findall(pattern, string, flags=0)

搜索字符串，以列表类型返回全部能匹配的子串。

4.re.split(pattern, string, maxsplit=0, flags=0)

将一个字符串按照正则表达式匹配结果进行分割，返回列表类型。

• maxsplit:最大分割数，剩余部分作为最后一个元素输出

5.re.finditer(pattern, string, flags=0)

搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象。

6.re.sub(pattern, repl, string, count=0, flags=0)

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串。

• repl:替换匹配字符串的字符串
• count:匹配的最大替换次数

Re库的面向对象用法

7.regex = re.compile(pattern, flags=0)

将正则表达式的字符串形式编译成正则表达式对象。

等价用法：

 

• Re库的match对象

match对象的属性

 

• Re库的贪婪匹配和最小匹配

贪婪匹配：Re库默认采用贪婪匹配，即输出匹配最长的子串。

最小匹配：

最小匹配操作符

 

• 淘宝商品比价定向爬虫

功能描述：

• 目标：获取淘宝搜索页面的信息，提取其中的商品名称和价格。
• 理解：淘宝的搜索接口，翻页的处理。
• 技术路线：requests-re

程序的结构设计：

1. 提交商品搜索请求，循环获取页面
2. 对于每个页面，提取商品名称和价格信息
3. 将信息输出到屏幕上

import requests
import re
 
def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""
     
def parsePage(ilt, html):
    try:
        plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)
        tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)
        for i in range(len(plt)):
            price = eval(plt[i].split(':')[1])
            title = eval(tlt[i].split(':')[1])
            ilt.append([price , title])
    except:
        print("")
 
def printGoodsList(ilt):
    tplt = "{:4}\t{:8}\t{:16}"
    print(tplt.format("序号", "价格", "商品名称"))
    count = 0
    for g in ilt:
        count = count + 1
        print(tplt.format(count, g[0], g[1]))
         
def main():
    goods = '书包'
    depth = 3
    start_url = 'https://s.taobao.com/search?q=' + goods
    infoList = []
    for i in range(depth):
        try:
            url = start_url + '&s=' + str(44*i)
            html = getHTMLText(url)
            parsePage(infoList, html)
        except:
            continue
    printGoodsList(infoList)
     
main()