目录
利用网络爬虫可以获取很多有用的信息,比如整个网站的图片,整个网站的信息,灵活的使用爬虫技术可以让你的学习和工作事半功倍。让我们来一起看看数据爬虫技术的入门知识——正则表达式吧!
一、Pycharm的安装与配置
Pycharm是一个很实用的工具,我们可以在这里面进行编程。
(1)简单了解:Pycharm是由JetBrains开发的Python集成开发环境(IDE), 支持调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制等常用功能.
方法:直接百度搜索Pycharm官网,下载免费版的软件,安装过程就是无脑next 就可以了。注意:第一次接触爬虫的要下载python络爬虫可以获取很多有用的信息,比如整个网站的图片,整个网站的信息,灵活的使用爬虫技术可以让你的学习和工作事半功倍。我们来一起看看数据爬虫技术的入门知识——正则表达式吧!
方法:直接百度搜索Pycharm官网,下载免费版的软件,安装过程就是无脑next 就可以了。注意:第一次接触爬虫的要下载软件python。这是代码的运行器。没有它代码无法正常运行。
二、正则表达式符号与方法
密码:hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse
解密:I love you 解密方法:找规律 xx需要的内容xx
从上面的例子可以看出,I love you 是我们的所需内容。其实网页数据爬取在一定程度上就是找规律。
下面我们用一个图片网页来说明问题。
首先我们要会查看网页的源代码,打开浏览器,选择要爬取的网页,进入开发者模式。
找到设置,更多工具,开发者工具。然后点Elements,就可以查看网页代码了。
当我们右键点击网页中的图片,点击检查,就可以查看图片的地址了(上图蓝色部分,画横线的就是图片的地址)
当然聪明的伙伴会想到,其实图片地址之前和之后的字符是一样的。实际上也确实如此,看下图
所以我们只需要设计一定的算法,用来提取网页中的图片地址,就可以批量下载网站图片了。
下面是基本的语法和关键字。
(1)正则表达式符号与方法 — 常用符号
. : 匹配任意字符,换行符\n除外
* :匹配前一个字符0次或无限次
? :匹配前一个字符0次或1次
.*:贪心算法
.*?:非贪心算法
():括号内的数据作为结果返回
findall: 匹配所有符合规律的内容,返回包含结果的列表
Search:匹配并提取第一个符合规律的内容,返回一个正则表达式对象
(object) Sub:替换符合规律的内容,返回替换后的值
import re from re import * from re import findall,search,sub,S 不需要complie 使用\d+匹配纯数字
三、正则表达式的应用举例
实验网址:https://tieba.baidu.com/f?kw=%E7%81%AB%E5%BD%B1%E5%BF%8D%E8%80%85&ie=utf-8&tab=album
核心代码 new_link = re.sub(‘pageNum=\d+’,’pageNum=%d’%i, old_url)
这是一个用来翻页的代码,和C语言类似,%d代表十进制整数。
正则表达式知识总结
1. 基本的正则表达式符号
2. 基本的正则表达式方法
3. 能从一段有规律的文本中匹配出感兴趣的内容 你可以使用这些技巧来制作一个爬虫。
爬虫提取数据的核心在于找规律,利用一定的算法提取需要的内容。