初学爬虫2： 正则表达式一些知识点+京东商城物品排名+名称+价格的爬取 （re+bs4+requests)

我的爬虫入门看的是中国慕课上 北京理工大学的一个关于python爬虫入门的国家精品课，在这里安利一哈，然后本文出现的一部分截图也是截取视频里面的内容。

正则表达式一些知识点：

正则表达式（regular experssion / regex / re) 在文本处理中很常用，可以用于表达文本特征（病毒文件），查找，替换字符串等

下面是我做的的笔记的截图

 

 

 

 

 

实战： 爬取京东商品 排名+名称+价格

备注：本来课程的实战是爬取淘宝的，但是淘宝似乎升级了系统，用现在我知道的知识没办法爬取了，所以我选择京东，淘宝的话以后再爬（确信）

首先进入京东查看关于搜索关键词是否是附加到url的形式发送，我选择关键词：鼠标，发现确实是这样：

第一页：

keyword那里就是，然鹅好像后面带有很多奇奇怪怪的东西，因此多翻找规律，发现确实是有规律（省略）

 

然后分析网页原代码，定位商品的位置（右键--检查--） 我用的是谷歌浏览器

选中想看的地方，观察源代码

可以看到一块块商品就再li标签里面，这个时候查看网页原代码，观察到其父节点 id=J_goodsList 通过ctrl+f 的查找功能定位到id= j_goodsList这个地方

太好了，我们可以通过id定位到这个地方，因此初定使用bs4 定位到这个地方

然后在li标签里面找商品名字，价格

其实人家的class名字已经起的很直白了，价钱就藏在p—price里面，名字就在 p-name p-name-type-2 里面

这个时候检查其他的li模块，发现高度一致，因此我们可以

使用bs4 找到 j_goodsList 然后找其子节点，将li节点遍历出来，分别找其class= p—price   class= p-name p-name-type-2 这两个，然后再使用正则表达式将具体内容抠出来

我们对bs4找出来的东西进行进一步观察

我们先将需要使用正则表达式的地方找出来

价格：

看到那个99.00了吗，观察其左右，我们可以使用<i>(.*?)</i> 的正则表达式，此时一定不能使用贪心模式，假如不使用贪心模式当两个<i> 嵌套一起的时候，比如：

<i><i> abcde</i></i> 

结果就是：<i> abcde</i>  

名字：

看到这个title了吗，往后接的是不是名字呢？我们可以先当它是，那么就很简单了，因为title 只在这里出现，我们可以以他为标准使用正则表达式： title="(.*?)"

只可惜这里并不是真的答案

学过网页编程的应该知道，这个a标签的意思是：将鼠标移到它上面的时候显示的东西，并不是实际显示的内容，假如这两者不一样的话，比如：

其实商品名称不在这里，我们需要找其他的地方。

其实是在下面em标签里面断断续续拼装而成，那怎么提取呢，我们对比不同的几个商品，看看能不能找到什么共同的规律

这几个对比起来发现： 长短不一，关键字夹杂在font标签里面和标签之间，这种情况下我认为使用正则表达式找出夹在> < 之间的汉字然后拼起来即可

就像这样，search_name就是拼起来的结果

 

代码：

import re
import requests
import bs4
cnt=1
def get_html(url):
    try:
        h={'user-agent':'Mozilla/5.0'}
        html=requests.get(url,headers=h)
        html.encoding=html.apparent_encoding
        html.raise_for_status()
        return html.text
    except:
        return "wrong"

def solve(html,lis_pri,lis_nam):
    soup=bs4.BeautifulSoup(html,'html.parser')
    all=soup.find(id="J_goodsList").contents
    all=all[0]
    mix=all.children
    #print(type(all))
    for i in mix:
        if(isinstance(i,bs4.element.Tag)):
            price=i.find(class_='p-price')
            name=i.find(class_='p-name p-name-type-2')
            name=name.find(name='em')  #price 不需要 加这句
            sto_name=re.findall('>.*?<',str(name))
            search_name=""
            for i in sto_name:
                search_name+=i[1:-1]
            search_pri=re.search('<i>(.*?)</i>',str(price))
            if( search_pri and search_name):
                lis_pri.append(search_pri.group(1))
                lis_nam.append(search_name)
    output(lis_pri,lis_nam)

def output(lis_pri,lis_nam):
   flag=range(0,len(lis_pri)) 
   global cnt    #!!
   with open("res.txt",'a',encoding='utf-8') as f:
       for i in flag:
           f.write("{:^10}{:^150}{:^50}\n".format(cnt+i,lis_nam[i],lis_pri[i],chr(12288)))
   f.close()
   cnt+=len(lis_pri)


Q=input("input your q: ")
page=input("输入你想要获取多少页的数据： ")
page=int(page)+1
for i in range(1,page):
    insert=i*2
    insert=str(insert)
    url="https://search.jd.com/Search?keyword="+Q+"&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&page="+insert+"&s=58&click=0"
    #html=get_html("https://search.jd.com/Search?keyword=%E9%BC%A0%E6%A0%87&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=%E9%BC%A0%E6%A0%87&page=1&s=1&click=0")
    html=get_html(url)
    if(html=='wrong'):
        print("出现错误")
    else:
        lis_pri=[]
        lis_nam=[]
        solve(html,lis_pri,lis_nam)