初学爬虫

Posted 2020-11-24 qq991025

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了初学爬虫相关的知识，希望对你有一定的参考价值。

一.正则表达式介绍

1.学习爬虫，为什么必须会正则表达式？
有时候，我们爬取一些网页具体内容时，会发现我们只需要这个网页某个标签的一部分内容，或者是这个标签的某个属性的值时，用普通的 xpath 或者css.selector是不能实现我们的想法的，这个时候就必须用到正则表达式去匹配获取。
2.正则表达式官方简介？
正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正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。

二.看代码边敲边学

 1‘‘‘
 2author : 赵金辉
 3date : 2019.12.7
 4goal : 正则表达式
 5‘‘‘
 6
 7import re
 8
 9line = ‘zjh123‘
10
11# ^a 表示匹配以a开头的字符串（只匹配一次）
12# . 表示该字符可为任意字符（只匹配一次）
13# * 表示前面的字符可以出现任意次（0次或多次）（多次匹配）
14reg_str01 = ‘^j.*‘    # 表示以j开头的字符串
15# re.match 函数
16# 第一个参数是匹配的格式
17# 第二参数是要匹配的字符串
18# 返回值为：匹配成功，返回match对象，否则返回：None
19
20if re.match(reg_str01,line) :
21    print("匹配成功！")  # reg_str = ‘^j.*‘     匹配成功
22else:
23    print("匹配失败！")  # reg_str = ‘^i.*‘     匹配失败
24
25
26# 23$ 表示匹配以23结尾的字符串（只匹配一次）
27reg_str02 = ‘^j.*23$‘
28if re.match(reg_str02,line) :
29    print("匹配成功！")  # reg_str = ‘^j.*23$‘     匹配成功
30else:
31    print("匹配失败！")  # reg_str = ‘^j.*13$‘     匹配失败
32
33
34line01 = ‘boooboaobxby‘
35# （） 内的为 匹配模式，通过 group函数 可以取出匹配结果
36# 正则表达式贪婪匹配模式：从后面（右边）开始匹配
37reg_str03 = ‘.*(b.*b).*‘
38test01 = re.match(reg_str03,line01)
39if  test01:
40    print(test01.group(1))      # result : bxb
41else:
42    print("匹配失败！")
43
44# 正则表达式非贪婪匹配模式：从前面（左边）开始匹配
45# ? : 表示从左边开始匹配，匹配到第一个符合模式的内容，即进入模式
46#
47reg_str03 = ‘.*?(b.*b).*‘   # 半贪婪匹配
48reg_str04 = ‘.*?(b.*?b).*‘  # 非贪婪匹配
49test01 = re.match(reg_str03,line01)
50test02 = re.match(reg_str04,line01)
51if  test01 and test02:
52    print(test01.group(1))      # result : boooboaobxb
53    print(test02.group(1))  # result : booob
54else:
55    print("匹配失败！")

day02

 1‘‘‘
 2author : 赵金辉
 3date : 2019.12.8
 4goal : 正则表达式
 5‘‘‘
 6import re
 7line01 = ‘boooboaobcxby‘
 8
 9def regtest(reg_str,line = line01):
10    test = re.match(reg_str, line)
11    if test:
12        print(test.group(1))
13    else:
14        print("匹配失败！")
15
16# + ：表示前面的字符，至少出现一次
17reg_str04 = ‘.*(b.+b).*‘  # (b.+b)表示b与b之间至少有一个字符
18regtest(reg_str04)      # result : bcxb
19
20# {n} : 控制前面字符出现次数
21# a{2} : 表示a出现两次
22# b{3,4} : 表示b至少出现3次，最多出4次
23# c{4,} : 表示c至少出现4次
24reg_str05 = ‘.*(b.{2}b).*‘  # (b.{2}b)表示匹配到的b与b之间，只有两字符
25reg_str06 = ‘.*(b.{3,4}b).*‘  # (b.{3,6}b)表示匹配到的b与b之间,至少有3个字符，至多有4个字符
26reg_str07 = ‘.*(b.{4,}b).*‘  # (b.{8,}b)表示匹配到的b与b之间，至少有4个字符
27regtest(reg_str05)   # result : bcxb
28regtest(reg_str06)   # result : boaob
29regtest(reg_str07)   # result : boaobcxb
30
31# | :表示 或
32# (abc|123) : 表示匹配到 abc 或者 123,都算匹配成功
33reg_str08 = ‘.*(boo|abc)‘
34reg_str09 = ‘.*(abc|boo)‘
35regtest(reg_str08)   # result : boo
36regtest(reg_str09)   # result : boo
37
38# [] : 表示 里面包含的内容都可以进行匹配,包含内容只有表面字符含义
39# [abcd] : 表示 只要这个字符为 a/b/c/d中的一个都可以匹配成功
40# [0-9] : 表示 只要这个字符在 0-9 这个区间内，都可以匹配成功
41# [^x] : 表示匹配 字符不为 x
42line02 = ‘电话号：15573563467‘
43reg_str10 = ‘.*(1[3458][0-9]{9}).*‘
44reg_str11 = ‘.*(1[3458][^1]{9}).*‘
45regtest(reg_str10,line02)   # result : 15573563467
46regtest(reg_str11,line02)   # result : 15573563467
47
48# s 表示匹配空格，匹配一次
49# S 表示匹配不是空格的字符，匹配一次
50# w 表示匹配 A-Z、0-9、_ 中的容易字符，匹配一次
51# W 与 w 相反
52# d 表示数字
53# [u4E00-u9FA5] : 表示所有汉字，unicode 编码
54
55def regtest_test(reg_str,line = line01):
56    test = re.match(reg_str, line)
57    if test:
58        print(test.group(1)+‘:‘+test.group(2)+‘-‘+test.group(3)+‘-‘+test.group(4))
59    else:
60        print("匹配失败！")
61
62# 简单实例
63str01 = ‘张三出生于1997年12月20日‘
64str02 = ‘李四出生于1989-01-20‘
65str03 = ‘王五出生于1997/2/5‘
66str04 = ‘赵六出生于1997.12.20‘
67str = [str01,str02,str03,str04]
68# 提取出姓名+出生日期
69# 匹配模式
70reg_str12 = ‘(.*)出生于(d{4})[.年/-](d{1,2})[.月/-](d{1,2}).*?‘
71for i in range(4):
72    regtest_test(reg_str12,str[i])
73# result :
74#       张三:1997-12-20
75#       李四:1989-01-20
76#       王五:1997-2-5
77#       赵六:1997-12-20