Python 正则表达式爬取网页分析HTML标签总结
Python爬取网页信息时，经常使用的正则表达式及方法。
本文是一篇总结性文章，实用性比较大，主要解决自己遇到的爬虫问题，也希望对你有所帮助~
当然如果会Selenium基于自动化测试爬虫、BeautifulSoup分析网页DOM节点，这就更方便了，但本文更多的是介绍基于正则的底层爬取分析。
涉及内容：
常用正则表达式爬取网页信息及HTML分析总结
1. 获取<tr></tr>标签之间内容
2. 获取<a href..></a>超链接之间内容
3. 获取URL最后一个参数命名图片或传递参数
4. 爬取网页中所有URL链接
5. 爬取网页标题title两种方法
6. 定位table位置并爬取属性-属性值
7. 过滤<span></span>等标签
8. 获取<script></script>等标签内容
9. 通过replace函数过滤<br />标签
10. 获取<img ../>中超链接及过滤<img>标签
1. 获取<tr></tr>标签之间内容
该部分主要是通过正则表达式获取两个标签之间的内容，通常这种标签都是成对出现的。
开始标签如：<tr>、<th>、<td>、<a>、<table>、<div>、<p>
后缀标签如：</tr>、</th>、</td>、</a>、</table>、</div>、</p>
核心代码：
res_tr = r'<tr>(.*?)</tr>' m_tr = re.findall(res_tr,language,re.S|re.M)
代码示例：
# coding=utf-8 import re language = '''''<tr><th>性別：</th><td>男</td></tr><tr>''' # 正则表达式获取<tr></tr>之间内容 res_tr = r'<tr>(.*?)</tr>' m_tr = re.findall(res_tr,language,re.S|re.M) for line in m_tr: print line # 获取表格第一列th属性 res_th = r'<th>(.*?)</th>' m_th = re.findall(res_th,line,re.S|re.M) for mm in m_th: print unicode(mm,'utf-8'), # unicode防止乱 # 获取表格第二列td属性值 res_td = r'<td>(.*?)</td>' m_td = re.findall(res_td,line,re.S|re.M) for nn in m_td: print unicode(nn,'utf-8')
输出结果：
<th>性別：</th><td>男</td> 性別： 男
Python 通过re模块提供对正则表达式的支持，使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
搜索string，以列表形式返回全部能匹配的子串。其中RE的常见参数包括：
re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法）
re.M(re.MULTILINE): 多行模式，改变'^'和'$'的行为
re.S(re.DOTALL): 点任意匹配模式，改变'.'的行为
2. 获取超链接<a href=..></a>之间内容
通常在使用正则表达式时，需要分析网页链接，获取URL或网页内容。核心代码如下：
res = r'<a .*?>(.*?)</a>' mm = re.findall(res, content, re.S|re.M) urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M)
例子：
# coding=utf-8 import re content = ''''' <td> <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a> <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a> </td> ''' #获取<a href></a>之间的内容 print u'获取链接文本内容:' res = r'<a .*?>(.*?)</a>' mm = re.findall( res, content, re.S|re.M) for value in mm: print value #获取所有<a href></a>链接所有内容 print u'\n获取完整链接内容:' urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M) for i in urls: print i #获取<a href></a>中的URL print u'\n获取链接中URL:' res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')" link = re.findall(res_url , content, re.I|re.S|re.M) for url in link: print url
输出如下图所示：
>>> 获取链接文本内容: 浙江省主题介绍 贵州省主题介绍 获取完整链接内容: <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a> <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a> 获取链接中URL: https://www.baidu.com/articles/zj.html https://www.baidu.com//articles/gz.html >>>
当然如果是通过Selenium分析DOM树结构获取href对应的url或title中的值，其核心代码如下所示，这里主要是给大家做个对比，理解不同方法的优势：
driver.get(link)
elem = driver.find_elements_by_xpath("//div[@class='piclist']/tr/dd[1]")
for url in elem:
pic_url = url.get_attribute("href")
print pic_url
3. 获取URL最后一个参数命名图片或传递参数
通常在使用Python爬取图片过程中，会遇到图片对应的URL最后一个字段通常用于命名图片，此时需要通过该URL的"/"后面的参数命名图片，则方法如下：
urls = "https://blog.mimvp.com/wp-content/themes/officefolders/images/mimvp_proxy_ads_1.gif"
values = urls.split('/')[-1]
print values
输出如下所示：
mimvp_proxy_ads_1.gif
在使用Python获取GET方法的URL链接中，还可能存在传递参数的值。
此时获取参数方法如下：
url = 'http://localhost/test.py?a=hello&b=world'
values = url.split('?')[-1]
print values
for key_value in values.split('&'):
print key_value.split('=')
输出如下所示：
a=hello&b=world ['a', 'hello'] ['b', 'world']
4. 爬取网页中所有URL链接
在学习爬虫过程中，你肯定需要从固有网页中爬取URL链接，再进行下一步的循环爬取或URL抓取。
如下，爬取CSDN首页的所有URL链接。
# coding=utf-8 import re import urllib url = "http://www.csdn.net/" content = urllib.urlopen(url).read() urls = re.findall(r"<a.*?href=.*?<\/a>", content, re.I) for url in urls: print unicode(url,'utf-8') link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", content) for url in link_list: print url
输出如下所示：
>>> <a href="https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn">登录</a> <a href="http://passport.csdn.net/account/mobileregister?action=mobileRegister">注册</a> <a href="https://passport.csdn.net/help/faq">帮助</a> ... https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn http://passport.csdn.net/account/mobileregister?action=mobileRegister https://passport.csdn.net/help/faq ... >>>
5. 爬取网页标题title两种方法
获取网页标题也是一种常见的爬虫，如我在爬取维基百科国家信息时，就需要爬取网页title。
通常位于<html><head><title>标题</title></head></html>中。
下面是爬取CSDN标题的两种方法介绍：
# coding=utf-8 import re import urllib url = "http://www.csdn.net/" content = urllib.urlopen(url).read() print u'方法一:' title_pat = r'(?<=<title>).*?(?=</title>)' title_ex = re.compile(title_pat,re.M|re.S) title_obj = re.search(title_ex, content) title = title_obj.group() print title print u'方法二:' title = re.findall(r'<title>(.*?)</title>', content) print title[0]
输出如下所示：
>>> 方法一: CSDN.NET - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台 方法二: CSDN.NET - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台 >>>
6. 定位table位置并爬取属性-属性值
如果使用Python库的一些爬取，通常可以通过DOM树结构进行定位，如代码：
login = driver.find_element_by_xpath("//form[@id='loginForm']")
但如果是正则表达式这种相对传统傻瓜式的方法，通过通过find函数寻找指定table方法进行定位。
如：获取Infobox的table信息。通过分析源代码发现“程序设计语言列表”的消息盒如下：
<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>
start = content.find(r'<table class="infobox vevent"') #起点记录查询位置 end = content.find(r'</table>') infobox = language[start:end] print infobox
print infobox 输出其中一门语言ActionScript的InfoBox消息盒部分源代码如下：
<table class="infobox vevent" cellspacing="3" style="border-spacing:3px;width:22em;text-align:left;font-size:small;line-height:1.5em;"> <caption class="summary"><b>ActionScript</b></caption> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">发行时间</th> <td style=";;">1998年</td> </tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">实现者</th> <td class="organiser" style=";;"><a href="/wiki/Adobe_Systems" title="Adobe Systems">Adobe Systems</a></td> </tr> <tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">启发语言</th> <td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td> </tr> </table>
然后再在这个infobox内容中通过正则表达式进行分析爬取。下面讲述爬取属性-属性值：
爬取格式如下：
<table>
<tr>
<th>属性</th>
<td>属性值</td>
</tr>
</table>
其中th表示加粗处理，td和th中可能存在属性如title、id、type等值；
同时<td></td>之间的内容可能存在<a href=..></a>或<span></span>或<br />等值，都需要处理。
下面先讲解正则表达式获取td值的例子：
<table> <tr> <td>序列号</td><td>DEIN3-39CD3-2093J3</td> <td>日期</td><td>2013年1月22日</td> <td>售价</td><td>392.70 元</td> <td>说明</td><td>仅限5用户使用</td> </tr> </table>
Python代码如下：
# coding=utf-8 import re s = '''''<table> <tr> <td>序列号</td><td>DEIN3-39CD3-2093J3</td> <td>日期</td><td>2013年1月22日</td> <td>售价</td><td>392.70 元</td> <td>说明</td><td>仅限5用户使用</td> </tr> </table> ''' res = r'<td>(.*?)</td><td>(.*?)</td>' m = re.findall(res,s,re.S|re.M) for line in m: print unicode(line[0],'utf-8'),unicode(line[1],'utf-8') #unicode防止乱码 #输出结果如下： #序列号 DEIN3-39CD3-2093J3 #日期 2013年1月22日 #售价 392.70 元 #说明 仅限5用户使用
如果<td id="">包含该属性则正则表达式为r'<td id=.*?>(.*?)</td>'；同样如果不一定是id属性开头，则可以使用正则表达式r'<td .*?>(.*?)</td>'。
7. 过滤<span></span>等标签
在获取值过程中，通常会存在<span>、<br>、<a href>等标签，下面举个例子过滤。
<td><span class="nickname">(字) 翔宇</span></td>过滤标签<span>核心代码，注意print中逗号连接字符串：
# coding=utf-8 import re language = ''''' <table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3"> <caption style="text-align: center; font-size: larger;" class="fn"><b>周恩来</b></caption> <tr> <th>性別：</th> <td>男</td>d </tr> <tr> <th>異名：</th> <td><span class="nickname">(字) 翔宇</span></td> </tr> <tr> <th>政黨：</th> <td><span class="org"><a href="../articles/%E4%B8%AD9A.html" title="中国共产党">中国共产党</a></span></td> </tr> <tr> <th>籍貫：</th> <td><a href="../articles/%E6%B5%9981.html" title="浙江省">浙江省</a><a href="../articles/%E7%BB%8D82.html" title="绍兴市">绍兴市</a></td> </tr> </table> ''' #获取table中tr值 res_tr = r'<tr>(.*?)</tr>' m_tr = re.findall(res_tr,language,re.S|re.M) for line in m_tr: #获取表格第一列th 属性 res_th = r'<th>(.*?)</th>' m_th = re.findall(res_th,line,re.S|re.M) for mm in m_th: if "href" in mm: #如果获取加粗的th中含超链接则处理 restr = r'<a href=.*?>(.*?)</a>' h = re.findall(restr,mm,re.S|re.M) print unicode(h[0],'utf-8'), #逗号连接属性值 防止换行 else: print unicode(mm,'utf-8'), #unicode防止乱 #获取表格第二列td 属性值 res_td = r'<td>(.*?)</td>' #r'<td .*?>(.*?)</td>' m_td = re.findall(res_td,line,re.S|re.M) for nn in m_td: if "href" in nn: #处理超链接<a href=../rel=..></a> res_value = r'<a .*?>(.*?)</a>' m_value = re.findall(res_value,nn,re.S|re.M) for value in m_value: print unicode(value,'utf-8'), elif "span" in nn: #处理标签<span> res_value = r'<span .*?>(.*?)</span>' m_value = re.findall(res_value,nn,re.S|re.M) #<td><span class="nickname">(字) 翔宇</span></td> for value in m_value: print unicode(value,'utf-8'), else: print unicode(nn,'utf-8'), print ' ' #换行
输出如下所示：
>>> 性別： 男 異名： (字) 翔宇 政黨： 中国共产党 籍貫： 浙江省 绍兴市 >>>
8. 获取<script></script>等标签内容
比如在获取游讯网图库中，图集对应的原图它是存储在script中，其中获取原图-original即可，缩略图-thumb，大图-big，通过正则表达式下载URL：
res_original = r'"original":"(.*?)"' #原图 m_original = re.findall(res_original,script)
代码如下：
# coding=utf-8
import re
import os
content = '''''
<script>var images = [
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"title":"","descript":"","id":75109},
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg",
"title":"","descript":"","id":75110},
</script>
'''
html_script = r'<script>(.*?)</script>'
m_script = re.findall(html_script,content,re.S|re.M)
for script in m_script:
res_original = r'"original":"(.*?)"' #原图
m_original = re.findall(res_original,script)
for pic_url in m_original:
print pic_url
filename = os.path.basename(pic_url) #去掉目录路径,返回文件名
urllib.urlretrieve(pic_url, 'E:\\'+filename) #下载图片
运行结果如下图所示，同时下载图片至E盘。
参考文章： [python language="学习"][/python] 简单爬取图片网站图库中图片
9. 通过replace过滤<br />标签
在获取值过程中，通常会存<br />标签，它表示HTML换行的意思。常用的方法可以通过标签'<'和'>'进行过滤，但是这里我想讲述的是一种Python常用的过滤方法，在处理中文乱码或一些特殊字符时，可以使用函数replace过滤掉这些字符。核心代码如下：
if '<br />' in value:
value = value.replace('<br />','') #过滤该标签
value = value.replace('\n',' ') #换行空格替代 否则总换行
例如过滤前后的例子：
達洪阿 異名： (字) 厚菴<br /> (諡) 武壯<br /> (勇號) 阿克達春巴圖魯
達洪阿 異名： (字) 厚菴 (諡) 武壯 (勇號) 阿克達春巴圖魯
10. 获取<img ../>中超链接及过滤<img>标签
在获取值属性值过程中，可能在分析table/tr/th/td标签后，仍然存在<img />图片链接，此时在获取文字内容时，你可能需要过滤掉这些<img>标签。
这里采用的方法如下：
value = re.sub('<[^>]+>','', value)
例如：
#encoding:utf-8
import os
import re
value = '''''
<table class="infobox" style="width: 21em; text-align: left;" cellpadding="3">
<tr bgcolor="#CDDBE8">
<th colspan="2">
<center class="role"><b>中華民國政治人士</b><br /></center>
</th>
</tr>
<tr>
<th>性別：</th>
<td>男</td>
</tr>
<tr>
<th>政黨：</th>
<td><span class="org">
<img alt="中國國民黨" src="../../../../images/Kuomintang.svg.png" width="19" height="19" border="0" />
<a href="../../../../articles/%8B%E6%B0%91%E9%BB%A8.html" title="中國國民黨">中國國民黨</a></span></td>
</tr>
</table>
'''
value = re.sub('<[^>]+>','', value) #过滤HTML标签
print value
输出如下：
>>> 中華民國政治人士 性別： 男 政黨： 中國國民黨 >>>
虽然仅仅包括汉字，但是中间会存在换行，需要过滤<br />即可：
if '<br />' in value:
value = value.replace('<br />','')
value = value.replace('\n',' ')
value = re.sub('<[^>]+>','', value) #过滤HTML标签
print value
#输出仅仅一行如下：
#中華民國政治人士 性別： 男 政黨： 中國國民黨
下面讲述第二部分，通过正则表达式获取<img>中的src超链接，代码如下：
test = '''''<img alt="中國國民黨" src="../images/Kuomintang.png" width="19" height="19" border="0" />'''
print re.findall('src="(.*?)"',test)
输出如下所示：
>>> ['../images/Kuomintang.png'] >>>
findall函数返回的总是正则表达式在字符串中所有匹配结果的列表，即findall中返回列表中每个元素包含的信息。
参考推荐：
re正则表达式、BeautifulSoup、lxml 性能对比
版权所有: 本文系米扑博客原创、转载、摘录，或修订后发表，最后更新于 2018-09-13 12:57:43
侵权处理: 本个人博客，不盈利，若侵犯了您的作品权，请联系博主删除，莫恶意，索钱财，感谢！