爬虫:请求网站并提取数据的自动化程序
请求 - 响应(HTML、Json字符串、二进制数据(图片、视屏)等) - 解析 - 保存
- 请求
- 方式(主要GET、POST)
- URL
- 请求头(如User-Agent,Host,Cookies(保持登录会话)等)
- 请求体(From Data是一部分))
- 响应
- 状态(200, 301(跳转), 404, 502)
- 响应头(设置Cookie等)
- 响应体(请求内容,如HTML、图片等)
Beautiful Soup(beautifulsoup4)
-
引用 from bs4 import BeautifulSoup
-
对变量进行判断的时候import bs4
-
Beautiful Soup解析器
解析器 使用方法 条件 bs4的HTML解析器 BeautifulSoup(mk,'html.parser') 安装bs4库 lxml的HTML解析器 BeautifulSoup(mk,'lxml') pip install lxml lxml的XML解析器 BeautifulSoup(mk, 'xml') pip install lxml html5lib的解析器 BeautifulSoup(mk, 'html5lib') pip install html5lib -
Beautiful Soup类的基本元素
基本元素 说明 Tag 标签,最基本的信息组织单元,分别用<>和</>标明开头和结尾 Name 标签的名字,<p>...</p>,格式是<tag>.name Attributes 标签的属性,字典形式组织,格式:<tag>.attrs NavigableString 标签内非属性字符串,<>...</>中字符串,格式:<tag>.string Comment 标签内字符串的注释部分,一种特殊的Comment类型
正则表达式
- 正则表达式的常用操作符
操作符 | 说明 | 实例 |
---|---|---|
. | 表示任何单个字符 | |
[]] | 字符集,对单个字符给出取值范围 | [abc]表示a、b、c,[a-z]表示a到z单个字符 |
[^] | 非字符集,对单个字符给出排除范围 | [^abc]表示非a或非b或c的单个字符 |
* | 前一个字符0次或无限次扩展 | abc*表示ab、abc、abcc、abccc等 |
+ | 前一个字符1次或无限次扩展 | abc+表示abc、abcc、abccc等 |
? | 前一个字符0次或1次扩张 | abc?表示ab、abc |
| | 左右表达式任意一个 | abc|def表示abc、def |
{m} | 扩展前一个字符m次 | ab{2}c表示abbc |
{m,n} | 扩展前一个字符m至n次(含n) | ab{1,2}c表示abc、abbc |
^ | 匹配字符串开头 | ^abc表示abc且在一个字符串的开头 |
$ | 匹配字符串结尾 | abc&表示abc且在一个字符串的结尾 |
() | 分组标记,内部只能使用|操作符 | (abc)表示abc,(abc|def)表示abc、def |
\d | 数字,等价于[0-9] | |
\w | 单词字符,等价于[A-Za-z0-9_] |
- 正则表达式语法实例
正则表达式 | 对应的字符串 |
---|---|
p(Y|YT|YTH|YTHO)?N | 'PN' 'PYN' 'PYTN' 'PYTHN' 'PYTHON' |
PYTHON+ | 'PYTHON' 'PYTHONN' 'PYTHONNN' ... |
PY[TH]ON | 'PYTON' 'PYTHON' |
PY[^TH]?ON | 'PYON' 'PYaON' 'PYbON' 'PYcON'... |
PY{:3}N | 'PN' 'PYN' 'PYYN' 'PYYYN' |
- 经典的正则表达式
正则表达式 | 对应的字符串 |
---|---|
^[A-Za-z] + $ | 由26个字母组成的字符串 |
^[A-Za-z0-9] + $ | 由26个字母和数字组成的字符串 |
^-?\d + $ | 整数形式的字符串 |
^[0-9]*[1-9][0-9]*$ | 正整数形式的字符串 |
[1-9]\dd{5} | 中国境内邮政编码,6位 |
[\u4e00-\u9fa5] | 匹配中文字符 |
\d{3}-\d{8}|\d{4}-\d{7} | 国内电话号码,010-68913536 |
- 匹配IP地址的正则表达式
0-99: [1-9]?\d
100-199: 1\d{2}
200-249: 2[0-4]\d
250-255: 25[0-5]