【爬虫】解析爬取的数据

2024-07-12 16:48:02
开发
20

一、正则表达式

正则表达式（简称RE）是一种用来描述和匹配字符串模式的工具。

它广泛应用于文本处理、数据验证、文本搜索和替换等场景。正则表达式使用一种特殊的语法，可以对字符串进行复杂的模式匹配。

1、常用元字符

元字符：具有固定含义的特殊符号。每个元字符，默认只匹配一个字符串，并且不能匹配换行符。

元字符	描述	示例
`.`	匹配除换行符以外的任意字符	`a.b` 可以匹配 `a1b`、`acb`
`\w`	匹配字母、数字或下划线	`\w+` 匹配 `hello`、`world_123`
`\s`	匹配任意的空白字符	`\s+` 匹配空格、制表符等
`\d`	匹配数字	`\d+` 匹配 `123`、`456`
`\n`	匹配一个换行符	`hello\nworld` 匹配换行符
`\t`	匹配一个制表符	`hello\tworld` 匹配制表符
`^`	匹配字符串的开始	`^Hello` 匹配 `Hello` 开头的字符串
`$`	匹配字符串的结束	`World$` 匹配 `World` 结尾的字符串
`\W`	匹配非字母、非数字、非下划线的字符	`\W+` 匹配 `!@#`、`$%^`
`\D`	匹配非数字字符	`\D+` 匹配 `abc`、`XYZ`
`\S`	匹配非空白字符	`\S+` 匹配 `hello`、`world123`
`a	b`	匹配字符 `a` 或字符 `b`
`(...)`	捕获括号内的表达式，表示一个组	`(abc)` 捕获 `abc`
`[...]`	匹配方括号中的任意字符	`[abc]` 匹配 `a`、`b` 或 `c`
`[^...]`	匹配不在方括号中的任意字符	`[^abc]` 匹配除 `a`、`b`、`c` 之外的任意字符

2、量词

量词：控制前面的元字符出现的次数

量词	描述
`*`	重复零次或更多次
`+`	重复一次或更多次
`?`	重复零次或一次
`{n}`	重复n次
`{n,}`	重复n次或更多次
`{n,m}`	重复n到m次

惰性匹配.*?：尽可能少地匹配字符。在重复元字符后加 ? 实现惰性匹配。
贪婪匹配.*：尽可能多地匹配字符。默认的重复元字符都是贪婪的。

惰性匹配

贪婪匹配

3、Re模块

在Python中使用处理正则表达式，可以使用 re 模块，这个模块提供了一系列用于搜索、匹配和操作字符串的函数。

函数	描述
`re.search(pattern, string, flags=0)`	搜索字符串，返回第一个匹配的对象；若无匹配返回 `None`
`re.match(pattern, string, flags=0)`	从字符串起始位置匹配模式；若匹配成功返回匹配对象，否则 `None`
`re.fullmatch(pattern, string, flags=0)`	整个字符串完全匹配模式返回匹配对象，否则返回 `None`
`re.findall(pattern, string, flags=0)`	返回字符串中所有非重叠匹配的列表
`re.finditer(pattern, string, flags=0)`	返回字符串中所有非重叠匹配的迭代器
`re.sub(pattern, repl, string, count=0, flags=0)`	用替换字符串替换匹配模式的所有部分，返回替换后的字符串
`re.split(pattern, string, maxsplit=0, flags=0)`	根据模式匹配分割字符串，返回分割后的列表

import re

# 示例文本
text = "在2024年，Python是最受欢迎的编程语言之一。Python 3.9版本在2020年发布。"

# 1. re.search() 搜索字符串，返回第一个匹配的对象
# 查找第一个数字序列
search_result = re.search(r'\d+', text)
if search_result:
    print(f"re.search: 找到的第一个数字是 '{search_result.group()}'，位置在 {search_result.start()}")  

# 2. re.match() 从字符串起始位置匹配模式
# 匹配字符串开头是否为 '在'
match_result = re.match(r'在', text)
if match_result:
    print(f"re.match: 匹配的字符串是 '{match_result.group()}'，位于字符串的开始")

# 3. re.fullmatch() 整个字符串完全匹配模式
# 检查整个字符串是否只包含中文字符
fullmatch_result = re.fullmatch(r'[\u4e00-\u9fff]+', '在编程')
if fullmatch_result:
    print(f"re.fullmatch: 整个字符串完全匹配，匹配到的内容是 '{fullmatch_result.group()}'")  

# 4. re.findall() 返回字符串中所有非重叠匹配的列表
# 查找所有的数字序列
findall_result = re.findall(r'\d+', text)
print(f"re.findall: 找到的所有数字序列是 {findall_result}") 

# 5. re.finditer() 返回字符串中所有非重叠匹配的迭代器
# 查找所有的数字序列，并逐一输出
finditer_result = re.finditer(r'\d+', text)
for match in finditer_result:
    print(f"re.finditer: 找到的数字是 '{match.group()}'，位置在 {match.start()}")  

# 6. re.sub() 用替换字符串替换匹配模式的所有部分
# 将所有数字替换为 '#'
sub_result = re.sub(r'\d+', '#', text)
print(f"re.sub: 替换后的字符串是: {sub_result}") 

# 7. re.split() 根据模式匹配分割字符串
# 按照空白字符或标点分割字符串
split_result = re.split(r'[，。 ]+', text)
print(f"re.split: 分割后的字符串列表是: {split_result}")

4、爬取豆瓣电影

从<li>标签开始，逐步匹配到包含电影名的<span class="title">标签，使用非贪婪模式（.*?）匹配中间可能存在的任意字符，直到找到下一个明确的标记，用命名捕获组(?P<name>)提取出电影名部分。

Re表达式写法：

<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>

爬虫代码：

import requests
import re
from bs4 import BeautifulSoup

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}

for start_num in range(0, 250, 25):
    response = requests.get(f"https://movie.douban.com/top250?start={start_num}", headers=headers)
    # 拿到页面源代码
    html = response.text
    # 使用re解析数据
    obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>',re.S)
    # 开始匹配
    result = obj.finditer(html)
    # 打印结果
    for it in result:
        print(it.group('name'))

二、Xpath

Xpath是在XML文档中搜索的一门语言，它可以通过路径表达式来选择节点或节点集，HTML是XML的一个子集。

安装lxml模块： pip install lxml

1、Xpath解析

Ⅰ、节点选择

符号	解释
`/`	从根节点选择。
`//`	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
`.`	选择当前节点。
`..`	选择当前节点的父节点。
`@`	选择属性。

Ⅱ、路径表达式

表达式	解释
`/bookstore/book`	选择bookstore节点下的所有book子节点。
`//book`	选择文档中的所有book节点，不考虑它们的位置。
`bookstore/book[1]`	选择bookstore节点下的第一个book子节点。
`//title[@lang]`	选择所有具有lang属性的title节点。
`//title[@lang='en']`	选择所有lang属性为’en’的title节点。

Ⅲ、常用函数

text(): 选择元素的文本。
@attr: 选择元素的属性。
contains(): 判断包含关系。
starts-with(): 判断开始部分。

from lxml import etree

html_content = '''
<html>
  <body>
    <div class="movie">
      <span class="title">肖申克的救赎</span>
      <span class="title">The Shawshank Redemption</span>
    </div>
    <div class="movie">
      <span class="title">霸王别姬</span>
      <span class="title">Farewell My Concubine</span>
    </div>
  </body>
</html>
'''

# 解析HTML
tree = etree.HTML(html_content)

# 提取电影标题
titles_cn = tree.xpath('//div[@class="movie"]/span[@class="title"][1]/text()')
titles_en = tree.xpath('//div[@class="movie"]/span[@class="title"][2]/text()')

# 打印结果
for cn, en in zip(titles_cn, titles_en):
    print(f'中文标题: {cn}, 英文标题: {en}')

//div[@class="movie"]/span[@class="title"][1]/text()

//div[@class="movie"]：选择所有class为movie的div元素。

/span[@class="title"][1]：选择每个div中class为title的第一个span元素。

/text()：获取span元素的文本内容。

//div[@class="movie"]/span[@class="title"][2]/text()

类似上述表达式，但选择的是每个div中class为title的第二个span元素。

2、爬取豆瓣电影

import requests
from lxml import etree

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}

for start_num in range(0, 250, 25):
    response = requests.get(f"https://movie.douban.com/top250?start={start_num}", headers=headers)
    # 拿到页面源代码
    html = response.text
    # 使用lxml解析页面
    html = etree.HTML(html)
    # 提取电影名字
    titles = html.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')
    # 提取评分
    ratings = html.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/div/span[2]/text()')
    # 打印结果
    for title, rating in zip(titles, ratings):
        print(f"电影: {title} 评分: {rating}")

原文地址:https://blog.csdn.net/weixin_61084441/article/details/140363144 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：https://www.suanlizi.com/kf/1811683925957939200.html 如若内容造成侵权/违法违规/事实不符，请联系《酸梨子》网邮箱：1419361763@qq.com进行投诉反馈，一经查实，立即删除！

阅读全部