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://cdn-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:  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

Python 正则匹配re模块

Python学习入门(13)——正则表达式

Python 正则表达式爬取网页分析HTML标签总结

re正则表达式、BeautifulSoup、lxml 性能对比

Python使用Beautiful Soup库

Python爬虫抓站的一些技巧