数据解析-正则表达式与xpath

最新推荐文章于 2024-04-10 23:44:01 发布

繁漪

最新推荐文章于 2024-04-10 23:44:01 发布

阅读量1.7k

点赞数 1

文章标签：正则表达式 python 开发语言

本文链接：https://blog.csdn.net/weixin_48276319/article/details/127985920

版权

本文通过一个例子带领大家了解爬虫数据解析中的正则表达式与xpath这两种解析方法。

一.基本介绍

正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。
xpath是在XML文档中搜索内容的一门语言。
关于python中正则表达式和xpath的用法，本文就不详细展开，有兴趣的同学可以点赞评论私信我，感兴趣的人多我就会把正则表达式和xpath写出来。

二.例子介绍

本文以爬取虎牙直播视频为例介绍这两种方法。
受害网址：https://v.huya.com/g/all?set_id=67&order=hot&page=1
在这里插入图片描述通过分析，可以发现页面中的视频地址链接就存在页面源代码里，为得到视频链接就需要进行数据解析。

1.正则表达式

爬虫中常用的正则表达式的就是贪心算法，python写为（.?）
导入re库，定义提取规则，即r’

<a href="(?P.?)" class=“video-wrap”’ ，利用贪心算法（.*?）提取视频的链接。

import requests
import re

url = 'https://v.huya.com/g/all?set_id=67&order=hot&page=1'
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.52',
'referer': 'https://v.huya.com/g/'
}
resp = requests.get(url,headers=headers)
obj = re.compile(r'<li data-vid=".*?"><a href="(?P<url>.*?)" class="video-wrap"',re.S)
url_list = obj.findall(resp.text)
# print(name_list)

2.xpath

xpath我们需要知道它的基本用法，会用即可，本文介绍一个简单的办法。
在元素中找到需要的东西，把鼠标放在对应行，点击右键，选择复制->复制Xpath
在这里插入图片描述将下图蓝箭头所指行的xpath，内容为//[@id=“root”]/div/article/section/ul[2]，因为我们要提取的是下一层所有li标签里的a标签里的href属性，所以用 (任意的节点)表示提取ul和a标签中的所有内容，接上/a/@href提取a标签的href属性，即视频地址链接。
提取视频名字信息同理。

import requests
from lxml import etree

url = 'https://v.huya.com/g/all?set_id=67&order=hot&page=1'
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.52',
'referer': 'https://v.huya.com/g/'
}
resp = requests.get(url,headers=headers)
tree = etree.HTML(resp.text)
url_list = tree.xpath('//*[@id="root"]/div/article/section/ul[2]/*/a/@href')
name_list = tree.xpath('//*[@id="root"]/div/article/section/ul[2]/*/a/@title')

for i in range(len(url_list)):
    url = 'http:'+url_list[i]
    print(url)