python爬取数据案例分析_python爬虫——数据爬取和具体解析

一、正则表达式：

1.常用正则匹配：

URL：^https?://[a-zA-Z0-9\.\?=&]*$ (re.S模式，匹配 https://www.baidu.com 类似URL )

常用Email地址：[0-9a-zA-Z_-]+@[0-9a-zA-Z_-]+\.[0-9a-zA-Z_-]+ 或者 [\w-]+@[\w-]+\.[\w-]+

中文字符匹配：[\u4e00-\u9fa5]+ 或者 [^\x00-\xff]+

QQ号：[1-9][0-9]{4,} ({4，}表示[0-9]的数字个数不低于4个)

ID：^[1-9]\d{5}(18|19|([23]\d))\d{2}((0[1-9])|(10|11|12))(([0-2][1-9])|10|20|30|31)\d{3}[0-9Xx]$

2.特殊组合：

([\s\S]*?) == ([.\n]*?) == re.findall(‘.*?‘, re.S)

万能正则表达式 （加‘？’表示懒惰模式，尽可能最小长度匹配； 不加‘？’表示贪婪模式，尽可能最大长度匹配）

\s\S : 空白字符+非空白字符，即表示所有字符 all, == ’ .\n ‘(.表示除换行符之外的任意字符，\n表示换行符)

re.S: 即DOTAALL 点匹配任意模式，改变.的行为，可以匹配换行符

二、例子

获取博客园的其中一篇文章的内容，保存至文档中。（具体解析在代码注释中可见）

1.源代码

1 importrequests2 importre3 importjson4

5 defrequest_blog(url):6 #异常处理代码块

7 try:8 #同步请求

9 response =requests.get(url)10 if response.status_code == 200:11 returnresponse.text12 exceptrequests.RequestException:13 returnNone14

15 defparse_result(html):16 #re正则表达式,re.compile是对匹配符的封装，直接用re.match(匹配符，要匹配的原文本)可以达到相同的效果,

17 #当然，这里没有用re.match来执行匹配，而是用了re.findall，这是因为后者可以适用于多行文本的匹配。

18 #另外，re.compile后面的第2个参数，re.S是用来应对换行的，.匹配的单个字符不包括\n和\r，当遇到换行时，我们需要用到re.S

19

20 #获取网页中的

标签中的内容，遇到换行符时，自动跳出循环

21 #格式：标签加.*？，.*?表示取标签中的所有数据

22 pattern = re.compile('

.*?

',re.S)23 items =re.findall(pattern, html)24 returnitems25

26 defwrite_item_to_file(item):27 print('写入数据:' +str(item))28 #保存的文件名blog.txt，写入文件的格式a追加，写入文件的中文格式化UTF-8

29 with open('blog.txt', 'a', encoding='UTF-8') as f:30 #遇到换行符时，自动换行

31 f.write(json.dumps(item, ensure_ascii=False) + '\n')32

33 defmain(page):34 #网址

35 url = 'https://www.cnblogs.com/chenting123456789/p/11840740.html' +str(page)36 #调用获取网页数据的函数

37 html =request_blog(url)38 #调用解析已获取的网页数据的函数

39 items =parse_result(html)40 #循环写入文件

41 for item initems:42 write_item_to_file(item)43

44 if __name__ == "__main__":45 for i in range(1,5):46 main(i)

2.运行结果

3.原文文章截图

4.写入文件内容

三、小结

强化爬虫爬取网页信息的技术，以及解析数据时的逻辑顺序。