目录
认识http&静态网页爬取
请求:请求方法、请求网址、请求头、请求体(post方法需要)
import requests
# 请求方法包括get, post等
headers = {
'User-Agent':'Mozilla/5.0(Windows NT 10.0;Win64; x64) AppleWeb/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
} # 请求头
r = requests.get("URL", headers = headers)
data = { 'name': 'germey', 'age': 22} # 可以理解为请求体?
r = requests.post("http://httpbin.org/post", data=data)
print(r.text)
响应:响应状态码、响应头、响应体(爬取内容)
import requests
headers = {
'User-Agent':'Mozilla/5.0(Windows NT 10.0;Win64; x64) AppleWeb/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
} # 请求头
r = requests.get("URL", headers = headers)
print(r.status_code) # 状态码,返回200即正常响应
print(r.headers) # 响应头
print(r.cookies) # Cookies
print(r.url) # URL
print(r.history) # 请求历史
print(r.text) # 返回网页源代码
正则表达式
常用匹配规则
模式 | 描述 |
---|---|
\w | 匹配字母、数字及下划线 |
\W | 匹配不是字母、数字及下划线的字符 |
\s | 匹配任意空白字符,等价于[\t\n\r\f] |
\S | 匹配任意非空字符 |
\d | 匹配任意数字,等价于[0-9] |
\D | 匹配任意非数字的字符 |
\A | 匹配字符串开头 |
\Z | 匹配字符串结尾,如果存在换行,只匹配到换行前的结束字符串 |
\z | 匹配字符串结尾,如果存在换行,同时还会匹配换行符 |
\G | 匹配最后匹配完成的位置 |
\n | 匹配一个换行符 |
\t | 匹配一个制表符 |
^ | 匹配一行字符串的开头 |
$ | 匹配一行字符串的结尾 |
. | 匹配任意字符,除了换行符,当re.DOTALL标记被指定时,则可以匹配包括换行符的任意字符 |
[…] | 用来表示一组字符,单独列出,比如[amk]匹配a、m或k |
[^…] | 不在[]中的字符,比如[^abc]匹配除了a、b、c之外的字符 |
* | 匹配0个或多个表达式 |
+ | 匹配1个或多个表达式 |
? | 匹配0个或1个前面的正则表达式定义的片段,非贪婪方式 |
{n} | 精确匹配n个前面的表达式 |
{n, m} | 匹配n到m次由前面正则表达式定义的片段,贪婪方式 |
( ) | 匹配括号内的表达式,也表示一个组 |
匹配方法match(), search(), findall()
- match() : 从字符串起始开始搜索,起始若不匹配返回None
- search() : 扫描整个字符串,返回第一个成功匹配的结果(只返回一个)
- findall() : 返回匹配正则表达式的所有内容(以列表形式)。同时若正则表达式中使用()划分了group,则只返回()内的对象
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</li>
</ul>
</div>'''
import re
result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html, re.S)
print(result)
print(result.group(1))
print(result.group(2))
'''
输出结果:
<re.Match object; span=(153, 260), match='<li data-view="2">一路上有你</li>\n <li data-vi>
任贤齐
沧海一声笑
'''
results = re.findall('<li.*?singer="(.*?)">(.*?)</a>', html, re.S)
print(results)
print(type(results))
for i in results:
print(i)
'''
输出结果:
[('任贤齐', '沧海一声笑'), ('齐秦', '往事随风'), ('beyond', '光辉岁月'), ('陈慧琳', '记事本'), ('邓丽君', '但愿人长久')]
<class 'list'>
('任贤齐', '沧海一声笑')
('齐秦', '往事随风')
('beyond', '光辉岁月')
('陈慧琳', '记事本')
('邓丽君', '但愿人长久')
'''
修饰符
修饰符 | 描述 |
---|---|
re.I | 使匹配对大小写不敏感 |
re.S | 使.匹配包括换行在内的所有字符 |
re.L | 做本地化识别(locale-aware)匹配 |
re.M | 多行匹配,影响^和$ |
re.U | 根据Unicode字符集解析字符。这个标志影响\w、\W、 \b和\B |
在网页匹配中,较为常用的有re.S和re.I
import re
content = '''Hello 1234567 World_This is
a Regex Demo''' # 字符串中含有换行符
result = re.match('^He.*?(\d+).*mo$', content)
print(result) # 返回None
# 使用修饰符
result = re.match('^He.*?(\d+).*mo$', content, re.S)
print(result)
print(result.group())
print(result.group(1))
print(result.span())
贪婪&非贪婪
贪婪&非贪婪是针对通用匹配的概念。
通用匹配:.* (点星) 。其中.(点)代表匹配任意字符(除换行符),* (星)代表匹配前面的字符无限次
.* 就可以匹配除换行符外任意长度字符
import re
content = 'Hello 1234567 World_This is a Regex Demo'
# \d+表示匹配至少一个数字, \d{n}表示匹配n个数字
result = re.match('^He.*(\d+).*mo$', content)
print(result.group(1)) # 返回7,贪婪
result = re.match('^He.*?(\d+).*mo$', content)
print(result.group(1)) # 返回1234567,非贪婪
修改替换字符方法sub()
参数:第一个参数是匹配的字段(正则表达式),第二个参数是要替换成的字符串,第三个参数是原字符串
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</li>
</ul>
</div>'''
import re
html2 = re.sub('<a.*?>|</a>', '', html) # 中间的"|"是"和"的意思,删掉含有a的节点(冗余字符串)
print(html2)
compile()方法
compile()方法可以将正则字符串编译成正则表达式对象,以便在后面的匹配中复用。例如sub()方法中第一个参数为正则表达式,若对多个待处理的字符串需要进行同样的操作,可以使用compile()方法。
import re
content1 = '2020-02-28 12:00'
content2 = '2020-02-29 12:55'
content3 = '2020-03-02 13:21'
pattern = re.compile('\d{2}:\d{2}')
result1 = re.sub(pattern, '', content1)
result2 = re.sub(pattern, '', content2)
result3 = re.sub(pattern, '', content3) # 删掉三个字符串对象中的时间信息
print(result1, result2, result3)
# 返回 2020-02-28 2020-02-29 2020-03-02