我们前面都接触了正则,那么正则表达式在爬虫中的重要性我们今天就来了解一下
为什么要学正则表达式
实际上爬虫一共就四个主要步骤:
-
明确目标 (要知道你准备在哪个范围或者网站去搜索)
-
爬 (将所有的网站的内容全部爬下来)
-
取 (去掉对我们没用处的数据)
-
处理数据(按照我们想要的方式存储和使用)
我们在昨天的案例里实际上省略了第3步,也就是"取"的步骤。因为我们down下了的数据是全部的网页,这些数据很庞大并且很混乱,大部分的东西使我们不关心的,因此我们需要将之按我们的需要过滤和匹配出来。
那么对于文本的过滤或者规则的匹配,最强大的就是正则表达式,是Python爬虫世界里必不可少的神兵利器。
正则表达式:又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。
那么我们使用正则表达式要达到的目的是什么呢?
-
给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);
-
通过正则表达式,从文本字符串中获取我们想要的特定部分(“过滤”)。
正则表达式的匹配规则如下:
Python 的 re 模块
在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。
有一点需要特别注意的是,正则表达式使用 对特殊字符进行转义,所以如果我们要使用原始字符串,只需加一个 r 前缀,示例:
re 模块的一般使用步骤如下:
-
使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象
-
通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象。
-
最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作
compile 函数
compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:
import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
在上面,我们已将一个正则表达式编译成 Pattern 对象,接下来,我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。
Pattern 对象的一些常用方法主要有:
-
match 方法:从起始位置开始查找,一次匹配
-
search 方法:从任何位置开始查找,一次匹配
-
findall 方法:全部匹配,返回列表
-
finditer 方法:全部匹配,返回迭代器
-
split 方法:分割字符串,返回列表
-
sub 方法:替换
修饰符号 描述
re.I 使用匹配对大小写不敏感(不区分大小写)
re.S 使.匹配包括换行符在内的所有字符
re.M 多行匹配
re.L 做本地化识别
match 方法
match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。它的一般使用形式如下:
match(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
在上面,当匹配成功时返回一个 Match 对象,其中:
-
group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);
-
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;
-
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;
-
span([group]) 方法返回 (start(group), end(group))。
另一个例子:
正则规则学习参考网站:http://www.runoob.com/regexp/regexp-tutorial.html
search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
让我们看看例子:
案例2:
上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。
看看例子:
finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。
split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用于指定最大分割次数,不指定将全部分割。
sub 方法
sub 方法用于替换。它的使用形式如下:
sub(repl, string[, count])
其中,repl 可以是字符串也可以是一个函数:
-
如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;
-
如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
-
count 用于指定最多替换次数,不指定时全部替换。
匹配中文
在某些情况下,我们想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围 主要在 [u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。
假设现在想把字符串 title = u'你好,hello,世界' 中的中文提取出来,可以这么做
注意:贪婪模式与非贪婪模式
-
贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配 ( * );
-
非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配 ( ? );
-
Python里数量词默认是贪婪的。
示例一 : 源字符串:abbbc
-
使用贪婪的数量词的正则表达式 ab* ,匹配结果: abbb。
* 决定了尽可能多匹配 b,所以a后面所有的 b 都出现了。
-
使用非贪婪的数量词的正则表达式ab*?,匹配结果: a。
即使前面有 *,但是 ? 决定了尽可能少匹配 b,所以没有 b。
示例二 : 源字符串:aa<div>test1</div>bb<div>test2</div>cc
-
使用贪婪的数量词的正则表达式:<div>.*</div>
-
匹配结果:<div>test1</div>bb<div>test2</div>
这里采用的是贪婪模式。在匹配到第一个“</div>”时已经可以使整个表达式匹配成功,但是由于采用的是贪婪模式,所以仍然要向右尝试匹配,查看是否还有更长的可以成功匹配的子串。匹配到第二个“</div>”后,向右再没有可以成功匹配的子串,匹配结束,匹配结果为“<div>test1</div>bb<div>test2</div>”
-
使用非贪婪的数量词的正则表达式:<div>.*?</div>
-
匹配结果:<div>test1</div>
正则表达式二采用的是非贪婪模式,在匹配到第一个“</div>”时使整个表达式匹配成功,由于采用的是非贪婪模式,所以结束匹配,不再向右尝试,匹配结果为“<div>test1</div>”。
现在拥有了正则表达式这把神兵利器,我们就可以进行对爬取到的全部网页源代码进行筛选了。
下面我们一起尝试一下爬取内涵段子网站: http://www.neihan8.com/article/list_5_1.html
打开之后,不难看到里面一个一个灰常有内涵的段子,当你进行翻页的时候,注意url地址的变化:
-
第一页url: http: //www.neihan8.com/article/list_5_1 .html
-
第二页url: http: //www.neihan8.com/article/list_5_2 .html
-
第三页url: http: //www.neihan8.com/article/list_5_3 .html
-
第四页url: http: //www.neihan8.com/article/list_5_4 .html
这样我们的url规律找到了,要想爬取所有的段子,只需要修改一个参数即可。 下面我们就开始一步一步将所有的段子爬取下来吧。
第一步:获取数据
1. 按照我们之前的用法,我们需要写一个加载页面的方法。
这里我们统一定义一个类,将url请求作为一个成员方法处理。
我们创建一个文件,叫dunzi_spider,py
然后定义一个Spider类,并且添加一个加载页面的成员方法
loadPage的实现体想必大家应该很熟悉了,需要注意定义python类的成员方法需要额外添加一个参数self.
2. 写main函数测试一个loadPage方法
3.处理数据并写文文件
执行顺序如下:
(1)
import re
import urllib.request
class Spider:
def __init__(self):
# 初始化起始页面位置
self.page = 1
# 爬取开关,如果为True继续爬取
self.switch = True
def loadPage(self):
# 下载页面
print("正在下载数据...")
url = "http://www.neihan8.com/article/list_5_" + \
str(self.page) + ".html"
headers = {
"User_Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.12; rv:58.0) Gecko/20100101 Firefox/58.0"
}
#向网页发起请求,获取网页返回的Response对象
urlrequest = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(urlrequest)
html = response.read()
html = html.decode('gbk')
print("数据获取成功")
# 创建正则表达式规则创建对象,匹配每一页里面的段子内容,re.S
# 表示匹配全部字符串内容
pattern = re.compile('<div\sclass="f18 mb20">(.*?)</div>', re.S)
# 将正则匹配对西那个应用到html源码字符里面,返回这个页面里的所有段子列表
content_list = pattern.findall(html)
self.dealPage(content_list)
def dealPage(self, content_list):
# 处理每页的段子
print("正在处理数据...")
for item in content_list:
# 将集合里面的额每一个段子循环处理
item = item.replace("<p>", "").replace(
"</p>", "").replace("<br>", "").replace("<br />", "")
# print(item)
#调用写入方法写入文件
self.writePage(item)
def writePage(self, item):
print("正在写入数据...")
with open("duanzi.txt", "a") as f:
f.write(item)
#把每个段子写入文件里面
def startWork(self):
"""
控制爬虫的运行
"""
#循环执行,知道self。switch == Flase
while self.switch:
self.loadPage()
#python3 语法
command = input("如果继续爬取请按回车(退出输入Q)")
#python2语法
# command = raw_input("如果继续爬取请按回车(退出输入Q)")
if command == "Q":
self.switch = False
print("谢谢使用")
#每次循环,页面码数加一
self.page += 1
if __name__ == "__main__":
#先初始化一个类对象
duanziSpider = Spider()
#采用类的对象来调用类的方法
duanziSpider.startWork()
最终的结果为:
作业根据今天所讲的案例完成如下作业:
通过正则表达式来获取猫眼电影网站数据
#1.目标站点分析:http://maoyan.com/board/4
#2.当我们点击下一页的时候观察页面地址的不同之处
#http://maoyan.com/board/4?offset=90 ,多了一个偏移量offset
# 项目实现流程:
# 1.分析页面
# 2.requests抓取页面内容
# 3.正则表达式分析,获取页面数据
# 4.将数据内容保存至文件(json文件)
从页面中提取如下字段并保存:
"index":, 序号
"image": 电影图片地址
"title": 电影标题
"actor": 导演演员
"time": 上演时间
"source": 评分
"adress":发布地址
保存结果如下: