常用正则表达式爬取网页信息及分析HTML标签总结

来源:互联网 发布:扭力弩炮 知乎 编辑:程序博客网 时间:2024/04/30 08:29
这篇文章主要是介绍Python爬取网页信息时,经常使用的正则表达式及方法。它是一篇总结性文章,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。

涉及内容如下:

  • 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

推荐基础文章:Python正则表达式指南 - AstralWind


------------------------------------------------------------------------------------------------------------------------------

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>...
后缀标签如:</tr>、</th>、</td>、</a>、</table>、</div>...

核心代码:
        res_tr = r'<tr>(.*?)</tr>'
        m_tr =  re.findall(res_tr,language,re.S|re.M)

例子:
[python] view plain copy
  1. # coding=utf-8  
  2. import re  
  3.   
  4. language = '''''<tr><th>性別:</th><td>男</td></tr><tr>'''  
  5.   
  6. #正则表达式获取<tr></tr>之间内容  
  7. res_tr = r'<tr>(.*?)</tr>'  
  8. m_tr =  re.findall(res_tr,language,re.S|re.M)  
  9. for line in m_tr:  
  10.     print line  
  11.     #获取表格第一列th 属性  
  12.     res_th = r'<th>(.*?)</th>'    
  13.     m_th = re.findall(res_th,line,re.S|re.M)  
  14.     for mm in m_th:  
  15.         print unicode(mm,'utf-8'),  #unicode防止乱  
  16.     #获取表格第二列td 属性值  
  17.     res_td = r'<td>(.*?)</td>'  
  18.     m_td = re.findall(res_td,line,re.S|re.M)  
  19.     for nn in m_td:  
  20.         print unicode(nn,'utf-8')  
输出如下所示:
[python] view plain copy
  1. >>>   
  2. <th>性別:</th><td>男</td>  
  3. 性別: 男  
  4. >>>   
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:

[python] view plain copy
  1. # coding=utf-8  
  2. import re  
  3.   
  4. content = ''''' 
  5. <td> 
  6. <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a> 
  7. <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a> 
  8. </td> 
  9. '''  
  10.   
  11. #获取<a href></a>之间的内容  
  12. print u'获取链接文本内容:'  
  13. res = r'<a .*?>(.*?)</a>'  
  14. mm =  re.findall(  
  15. res, content, re.S|re.M)  
  16. for value in mm:  
  17.     print value  
  18.   
  19. #获取所有<a href></a>链接所有内容  
  20. print u'\n获取完整链接内容:'  
  21. urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M)  
  22. for i in urls:  
  23.     print i  
  24.   
  25. #获取<a href></a>中的URL  
  26. print u'\n获取链接中URL:'  
  27. res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"  
  28. link = re.findall(res_url ,  content, re.I|re.S|re.M)  
  29. for url in link:  
  30.     print url  
输出如下图所示:
[python] view plain copy
  1. >>>   
  2. 获取链接文本内容:  
  3. 浙江省主题介绍  
  4. 贵州省主题介绍  
  5.   
  6. 获取完整链接内容:  
  7. <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a>  
  8. <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a>  
  9.   
  10. 获取链接中URL:  
  11. https://www.baidu.com/articles/zj.html  
  12. https://www.baidu.com//articles/gz.html  
  13. >>>   
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

参考文章:[python爬虫] Selenium定向爬取虎扑篮球海量精美图片


------------------------------------------------------------------------------------------------------------------------------

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,如虎扑孙悦妻子图片:
        http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg
此时需要通过该URL的"/"后面的参数命名图片,则方法如下:
[python] view plain copy
  1. urls = "http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg"  
  2. values = urls.split('/')[-1]  
  3. print values  
输出如下所示:
[python] view plain copy
  1. >>>   
  2. BbsImg141568417848931_640*640.jpg  
  3. >>>   
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:

[python] view plain copy
  1. url = 'http://localhost/test.py?a=hello&b=world'    
  2. values = url.split('?')[-1]    
  3. print values    
  4. for key_value in values.split('&'):  
  5.     print key_value.split('=')   
输出如下所示:
[python] view plain copy
  1. >>>   
  2. a=hello&b=world  
  3. ['a''hello']  
  4. ['b''world']  
  5. >>>   

------------------------------------------------------------------------------------------------------------------------------

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。
[python] view plain copy
  1. # coding=utf-8  
  2. import re  
  3. import urllib  
  4.   
  5. url = "http://www.csdn.net/"  
  6. content = urllib.urlopen(url).read()  
  7. urls = re.findall(r"<a.*?href=.*?<\/a>", content, re.I)  
  8. for url in urls:  
  9.     print unicode(url,'utf-8')  
  10.       
  11. link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", content)  
  12. for url in link_list:    
  13.     print url   
输出如下所示:
[python] view plain copy
  1. >>>   
  2. <a href="https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn">登录</a>  
  3. <a href="http://passport.csdn.net/account/mobileregister?action=mobileRegister">注册</a>  
  4. <a href="https://passport.csdn.net/help/faq">帮助</a>  
  5. ...  
  6. https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn  
  7. http://passport.csdn.net/account/mobileregister?action=mobileRegister  
  8. https://passport.csdn.net/help/faq  
  9. ...  
  10. >>>  

------------------------------------------------------------------------------------------------------------------------------

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:
[python] view plain copy
  1. # coding=utf-8  
  2. import re  
  3. import urllib  
  4.   
  5. url = "http://www.csdn.net/"  
  6. content = urllib.urlopen(url).read()  
  7.   
  8. print u'方法一:'  
  9. title_pat = r'(?<=<title>).*?(?=</title>)'    
  10. title_ex = re.compile(title_pat,re.M|re.S)    
  11. title_obj = re.search(title_ex, content)  
  12. title = title_obj.group()  
  13. print title  
  14.   
  15. print u'方法二:'  
  16. title = re.findall(r'<title>(.*?)</title>', content)  
  17. print title[0]  
输出如下所示:
[python] view plain copy
  1. >>>   
  2. 方法一:  
  3. 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  
  4. 方法二:  
  5. 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. >>>   


------------------------------------------------------------------------------------------------------------------------------

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']"
参考文章:[Python爬虫] Selenium实现自动登录163邮箱和Locating Elements介绍

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>
[python] view plain copy
  1. start = content.find(r'<table class="infobox vevent"'#起点记录查询位置    
  2. end = content.find(r'</table>')        
  3. infobox = language[start:end]    
  4. 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:
[html] view plain copy
  1. <table class="infobox vevent" cellspacing="3" style="border-spacing:3px;width:22em;text-align:left;font-size:small;line-height:1.5em;">     
  2. <caption class="summary"><b>ActionScript</b></caption>     
  3. <tr>     
  4. <th scope="row" style="text-align:left;white-space:nowrap;;;">发行时间</th>     
  5. <td style=";;">1998年</td>     
  6. </tr>     
  7. <tr>     
  8. <th scope="row" style="text-align:left;white-space:nowrap;;;">实现者</th>     
  9. <td class="organiser" style=";;"><a href="/wiki/Adobe_Systems" title="Adobe Systems">Adobe Systems</a></td>     
  10. </tr>     
  11. <tr>     
  12. <tr>     
  13. <th scope="row" style="text-align:left;white-space:nowrap;;;">启发语言</th>     
  14. <td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a><a href="/wiki/Java" title="Java">Java</a></td>     
  15. </tr>     
  16. </table>    
参考文章:[python学习] 简单爬取维基百科程序语言消息盒
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:
参考:http://bbs.csdn.net/topics/390353859?page=1
[html] view plain copy
  1. <table>    
  2. <tr>    
  3. <td>序列号</td><td>DEIN3-39CD3-2093J3</td>    
  4. <td>日期</td><td>2013年1月22日</td>    
  5. <td>售价</td><td>392.70 元</td>    
  6. <td>说明</td><td>仅限5用户使用</td>    
  7. </tr>    
  8. </table>    
Python代码如下:
[python] view plain copy
  1. # coding=utf-8  
  2. import re  
  3.   
  4. s = '''''<table>   
  5. <tr>   
  6. <td>序列号</td><td>DEIN3-39CD3-2093J3</td>   
  7. <td>日期</td><td>2013年1月22日</td>   
  8. <td>售价</td><td>392.70 元</td>   
  9. <td>说明</td><td>仅限5用户使用</td>   
  10. </tr>   
  11. </table> 
  12. '''   
  13.   
  14. res = r'<td>(.*?)</td><td>(.*?)</td>'    
  15. m = re.findall(res,s,re.S|re.M)    
  16. for line in m:    
  17.     print unicode(line[0],'utf-8'),unicode(line[1],'utf-8'#unicode防止乱码    
  18.     
  19. #输出结果如下:    
  20. #序列号 DEIN3-39CD3-2093J3    
  21. #日期 2013年1月22日    
  22. #售价 392.70 元    
  23. #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:
    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) 
            for value in m_value:
                print unicode(value,'utf-8'),

代码如下,注意print中逗号连接字符串:
[python] view plain copy
  1. # coding=utf-8  
  2. import re  
  3.   
  4. language = ''''' 
  5. <table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3"> 
  6. <caption style="text-align: center; font-size: larger;" class="fn"><b>周恩来</b></caption> 
  7. <tr> 
  8. <th>性別:</th> 
  9. <td>男</td>d 
  10. </tr> 
  11. <tr> 
  12. <th>異名:</th> 
  13. <td><span class="nickname">(字) 翔宇</span></td> 
  14. </tr> 
  15. <tr> 
  16. <th>政黨:</th> 
  17. <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> 
  18. </tr> 
  19. <tr> 
  20. <th>籍貫:</th> 
  21. <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> 
  22. </tr> 
  23. </table> 
  24. '''   
  25.   
  26. #获取table中tr值  
  27. res_tr = r'<tr>(.*?)</tr>'  
  28. m_tr =  re.findall(res_tr,language,re.S|re.M)  
  29. for line in m_tr:  
  30.     #获取表格第一列th 属性  
  31.     res_th = r'<th>(.*?)</th>'     
  32.     m_th = re.findall(res_th,line,re.S|re.M)  
  33.     for mm in m_th:  
  34.         if "href" in mm: #如果获取加粗的th中含超链接则处理  
  35.             restr = r'<a href=.*?>(.*?)</a>'  
  36.             h = re.findall(restr,mm,re.S|re.M)  
  37.             print unicode(h[0],'utf-8'), #逗号连接属性值 防止换行  
  38.         else:  
  39.             print unicode(mm,'utf-8'),   #unicode防止乱  
  40.   
  41.     #获取表格第二列td 属性值  
  42.     res_td = r'<td>(.*?)</td>'  #r'<td .*?>(.*?)</td>'  
  43.     m_td = re.findall(res_td,line,re.S|re.M)  
  44.     for nn in m_td:  
  45.         if "href" in nn: #处理超链接<a href=../rel=..></a>  
  46.             res_value = r'<a .*?>(.*?)</a>'  
  47.             m_value = re.findall(res_value,nn,re.S|re.M)  
  48.             for value in m_value:  
  49.                 print unicode(value,'utf-8'),  
  50.         elif "span" in nn: #处理标签<span>  
  51.             res_value = r'<span .*?>(.*?)</span>'  
  52.             m_value = re.findall(res_value,nn,re.S|re.M) #<td><span class="nickname">(字) 翔宇</span></td>  
  53.             for value in m_value:  
  54.                 print unicode(value,'utf-8'),  
  55.         else:  
  56.             print unicode(nn,'utf-8'),  
  57.         print ' ' #换行  
输出如下所示:
[python] view plain copy
  1. >>>   
  2. 性別: 男    
  3. 異名: (字) 翔宇    
  4. 政黨: 中国共产党    
  5. 籍貫: 浙江省 绍兴市    
  6. >>>   



------------------------------------------------------------------------------------------------------------------------------

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:
[python] view plain copy
  1. # coding=utf-8  
  2. import re  
  3. import os   
  4.   
  5. content = ''''' 
  6. <script>var images = [   
  7. { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",   
  8.   "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",   
  9.   "original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",   
  10.   "title":"","descript":"","id":75109},   
  11. { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg",   
  12.   "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg",   
  13.   "original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg",   
  14.   "title":"","descript":"","id":75110},    
  15. </script>   
  16. '''   
  17.   
  18. html_script = r'<script>(.*?)</script>'    
  19. m_script = re.findall(html_script,content,re.S|re.M)    
  20. for script in m_script:  
  21.     res_original = r'"original":"(.*?)"' #原图  
  22.     m_original = re.findall(res_original,script)  
  23.     for pic_url in m_original:  
  24.         print pic_url  
  25.         filename = os.path.basename(pic_url) #去掉目录路径,返回文件名  
  26.         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学习] 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:
[python] view plain copy
  1. #encoding:utf-8  
  2. import os  
  3. import re  
  4.   
  5. value = ''''' 
  6. <table class="infobox" style="width: 21em; text-align: left;" cellpadding="3"> 
  7. <tr bgcolor="#CDDBE8"> 
  8. <th colspan="2"> 
  9. <center class="role"><b>中華民國政治人士</b><br /></center> 
  10. </th> 
  11. </tr> 
  12. <tr> 
  13. <th>性別:</th> 
  14. <td>男</td> 
  15. </tr> 
  16. <tr> 
  17. <th>政黨:</th> 
  18. <td><span class="org"> 
  19. <img alt="中國國民黨" src="../../../../images/Kuomintang.svg.png" width="19" height="19" border="0" /> 
  20. <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> 
  21. </tr> 
  22. </table> 
  23. '''  
  24.   
  25. value = re.sub('<[^>]+>','', value) #过滤HTML标签  
  26. print value  
输出如下:
[python] view plain copy
  1. >>>   
  2.   
  3. 中華民國政治人士  
  4.   
  5. 性別:  
  6. 男  
  7.   
  8. 政黨:  
  9.   
  10. 中國國民黨  
  11.   
  12. >>>   
虽然仅仅包括汉字,但是中间会存在换行,需要过滤<br />即可:
[python] view plain copy
  1. if '<br />' in value:  
  2.     value = value.replace('<br />','')  
  3.     value = value.replace('\n',' ')  
  4. value = re.sub('<[^>]+>','', value) #过滤HTML标签  
  5. print value  
  6.   
  7. #输出仅仅一行如下:   
  8. #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:
[python] view plain copy
  1. test = '''''<img alt="中國國民黨" src="../images/Kuomintang.png" width="19" height="19" border="0" />'''  
  2. print re.findall('src="(.*?)"',test)  
输出如下所示:
[python] view plain copy
  1. >>>      
  2. ['../images/Kuomintang.png']  
  3. >>>   
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。

文章转载自:http://blog.csdn.net/eastmount/article/details/51082253
阅读全文
0 0
原创粉丝点击