python网络爬虫-正则表达式和BeautifulSoup
来源:互联网 发布:年月日时干支推算法 编辑:程序博客网 时间:2024/05/29 04:07
在抓取网页时,BeautifulSoup和正则表达式总是配合使用的。其实,大多数支持字符串参数的函数(比如find(id="aTagIdHere"))都可以用正则表达式实现。让我们看几个例子,待抓取的网页时http://www.pythonscaping.com/pages/pages3.html。在爬取之前,我们观察发现网页上有几个商品图片,它们的源码形式如下:
<img src="../img/gifts/img1.jpg"/>如果我们想抓取所有图片的URL链接,非常直接的做法就是用findAll("img")抓取所有图片。但是有个问题,除了那些明显“多余的”图片,比如(LOGO)之外,新式网站中有一些隐藏图片,用于网页布局留白和元素对齐的空白图片,以及一些不易于察觉的图片标签。总之,你不能仅用商品图片来统计网页上所有的图片。而且网页的布局也可能会变化,或者,因为某些原因,我们不想通过图片在网页中位置来查找标签。那么当你想抓取随机分布在网站里的某个元素或数据时,就会出现问题。例如,一些网页的最上面可能有一张商品图片,但是在另外一些网页上没有。
解决这类问题的办法,就是直接定位那些标签来查找信息。在本例中,我们直接通过商品图片的文件路径来查找:
from urllib.request import urlopenfrom bs4 import BeautifulSoupimport rehtml=urlopen("http://www.pythonscraping.com/pages/page3.html")bsObj=BeautifulSoup(html,"html.parser")images=bsObj.findAll("img",{"src":re.compile("\.\.\/img\/gifts\/img.*\.jpg")})for image in images: print(image["src"])执行结果如下:
上述代码会打印出图片的相对路径,都是以../img/gifts/img开头,以.jpg结尾。正则表达式可以作为BeautifulSoup语句的任意一个参数,让你的目标元素查找工作极具灵活性。
阅读全文
1 0
- python网络爬虫-正则表达式和BeautifulSoup
- Python 网络爬虫-正则表达式、BeautifulSoup、lxml三种提取方法
- Python网络爬虫-正则表达式
- python爬虫里信息提取的核心方法: Beautifulsoup、Xpath和正则表达式
- Python-网络爬虫之BeautifulSoup
- python网络爬虫-使用BeautifulSoup
- python爬虫和正则表达式
- Python--正则表达式/单线程网络爬虫
- Python网络爬虫(3)正则表达式
- python之正则表达式以及网络爬虫
- Python爬虫包 BeautifulSoup 学习(九) 正则表达式与Lambda表达式
- 网络爬虫-正则表达式
- Python-网络爬虫之BeautifulSoup(1)
- Python-网络爬虫之BeautifulSoup(2)
- Python网络爬虫之BeautifulSoup库
- python 网络爬虫学习笔记之beautifulsoup
- python正则表达式和自制爬虫
- Python爬虫 正则表达式
- unity3d渲染路径整理
- 大数据学习笔记1
- 枚举 enum 细节
- 光环国际PMP:作为项目经理,什么事该不该做是你必须要知道的
- 在Struts2中使用ValueStack、ActionContext、ServletContext、request、session等
- python网络爬虫-正则表达式和BeautifulSoup
- Python 3爬虫网易云(五)—— 正则表达式下篇之HTML标签
- HDU-2017 ACM/ICPC Asia Regional Qingdao Online-1010-Brute Force Sorting
- opencv开发笔记(四):读取视频控制
- AOP(面向切面编程)
- JavaScript最佳新手入门系列(大话变量)
- mysql压缩包安装
- 场景图层和i3s标准在ArcGIS多平台的应用
- Android人脸识别--基于虹软免费SDK