一、正则表达式
1.学习正则表达式的原因
爬虫一共四个主要步骤:
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)
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。
2.什么是正则表达式
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。 正则表达式测试工具: http://tool.oschina.net/regex/
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。
正则表达式是对字符串(包括普通字符(例如,a 到 z 之间的字母)和特殊字符(称为“元字符”))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。正则表达式是一种文本模式,该模式描述在搜索文本时要匹配的一个或多个字符串。
3.正则表达式匹配规则
分组是正则表达式的一项功能,它允许将模式分组在一起,并将它们作为一个项目引用。组是使用括号()创建的。
4.正则实现步骤
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
注意: re对特殊字符进行转义,如果使用原始字符串,只需加一个 r 前缀
通过 Pattern 对象对文本进行匹配查找,获得匹配结果,一个 Match 对象。
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
import re
text = """
2020-10-10
2020-11-11
2030/12/12
"""
# 1. 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
# 注意: re对特殊字符进行转义,如果使用原始字符串,只需加一个 r 前缀
# pattern = re.compile(r'\d{4}-\d{1,2}-\d{1,2}') # 2020-4-11, 无分组的规则
# pattern = re.compile(r'(\d{4})-(\d{1,2})-(\d{1,2})') # 2020-4-11, 有分组的规则
pattern = re.compile(r'(?P<year>\d{4})-(?P<month>\d{1,2})-(?P<day>\d{1,2})') # 2020-4-11, 有命名分组的规则
# 2. 通过 Pattern 对象对文本进行匹配查找,获得匹配结果,一个 Match 对象。
# search从给定的字符串中寻找一个符合规则的字符串, 只返回一个
result = re.search(pattern, text)
print(result)
# 3. 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
print("匹配到的信息:", result.group()) # 返回的是匹配到的文本信息
print("匹配到的信息:", result.groups()) # 返回的是位置分组, ('2020', '10', '10')
print("匹配到的信息:", result.groupdict()) # 返回的是关键字分组.{'year': '2020', 'month': '10', 'day': '10'}
运行结果为:
5.Pattern 对象
正则表达式编译成 Pattern 对象, 可以利用 pattern 的一系列方法对文本进行匹配查找了。
6.正则模块常量
常量即表示不可更改的变量,一般用于做标记。下图是常用的四个模块常量:
7.Match 对象
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]])
string :待匹配的字符串
pos :字符串的起始位置, 默认值是 0
endpos :字符串的终点位置, 默认值是 len (字符串长度)
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))。
8.search
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]])
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
9.findall和finditer方法
findall 方法搜索整个字符串,获得所有匹配的结果。使用形式如下:
findall(string[, pos[, endpos]])
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。
四、案例(基于requests和XPath猫眼电影TOP100定向爬虫)
import codecs
import json
import requests
from colorama import Fore
from fake_useragent import UserAgent
from requests import HTTPError
from lxml import etree
def download_page(url, parmas=None):
"""
根据url地址下载html页面
:param url:
:param parmas:
:return: str
"""
try:
ua = UserAgent()
headers = {
'User-Agent': ua.random,
'Host': 'maoyan.com',
'Origin': 'https://maoyan.com',
}
# 请求https协议的时候, 回遇到报错: SSLError
# verify=Flase不验证证书
response = requests.get(url, params=parmas, headers=headers)
except HTTPError as e:
print(Fore.RED + '[-] 爬取网站%s失败: %s' % (url, str(e)))
return None
else:
# content返回的是bytes类型, text返回字符串类型
return response.text
def parse_html(html):
"""
通过Xpath对html解析获取电影名称、时间、评分、图片等信息。
:param html:
:return:
"""
# 1). 将传入的html文档内容通过lxml解析器进行解析
html = etree.HTML(html)
# 2). 通过Xpath语法获取电影的信息
# //dl[@class="board-wrapper"]/dd, 从当前节点寻找class属性名等于board-wrapper的dl标签, 拿出里面的所有dd标签
movies = html.xpath('//dl[@class="board-wrapper"]/dd')
for movie in movies:
# 从当前dd节点寻找i标签里面的文本内容
index = movie.xpath('./i/text()')[0]
# .//从当前标签寻找img标签(class='border-img'), 获取标签的data-src和alt属性
# /不深入寻找, // 深入寻找
image = movie.xpath('./a/img[@class="board-img"]/@data-src')[0]
title = movie.xpath('./a/img[@class="board-img"]/@alt')[0]
star = movie.xpath('.//p[@class="star"]/text()')[0]
releasetime = movie.xpath('.//p[@class="releasetime"]/text()')[0]
yield {
'index': index,
'image': image,
'title': title,
'star': star.strip().lstrip('主演:'),
'releasetime': releasetime.lstrip('上映时间:')
}
def save_to_json(data, filename):
"""将爬取的数据信息写入json文件中"""
# r, r+, w, w+, a, a+
# 解决的问题:
# 1. python数据类型如何存储到文件中? json将python数据类型序列化为json字符串
# 2. json中中文不能存储如何解决? ensure_ascii=False
# 3. 存储到文件中的数据不是utf-8格式的,怎么解决? ''.encode('utf-8')
# with open(filename, 'ab') as f:
# f.write(json.dumps(data, ensure_ascii=False,indent=4).encode('utf-8'))
# print(Fore.GREEN + '[+] 保存电影 %s 的信息成功' %(data['title']))
with codecs.open(filename, 'a', 'utf-8') as f:
# f.write(json.dumps(data, ensure_ascii=False) + '\n')
f.write(json.dumps(data, ensure_ascii=False, indent=4))
print(Fore.GREEN + '[+] 保存电影 %s 的信息成功' % (data['title']))
def get_one_page(page=1):
url = 'https://maoyan.com/board/' # 采集热映口碑榜, 只有一页。
html = download_page(url)
# print(html)
items = parse_html(html)
# item是字典
for item in items:
save_to_json(item, 'maoyan.json')
if __name__ == '__main__':
get_one_page()
测试结果: