[python] 常用正則表達(dá)式爬取網(wǎng)頁(yè)信息及分析HTML標(biāo)簽總結(jié)

大傻子的文淵閣 2020-02-25

展開(kāi)全文

轉(zhuǎn)自：http://blog.csdn.net/eastmount/article/details/51082253

這篇文章主要是介紹Python爬取網(wǎng)頁(yè)信息時(shí)，經(jīng)常使用的正則表達(dá)式及方法。它是一篇總結(jié)性文章，實(shí)用性比較大，主要解決自己遇到的爬蟲(chóng)問(wèn)題，也希望對(duì)你有所幫助~
當(dāng)然如果會(huì)Selenium基于自動(dòng)化測(cè)試爬蟲(chóng)、BeautifulSoup分析網(wǎng)頁(yè)DOM節(jié)點(diǎn)，這就更方便了，但本文更多的是介紹基于正則的底層爬取分析。

涉及內(nèi)容如下：

常用正則表達(dá)式爬取網(wǎng)頁(yè)信息及HTML分析總結(jié)
- 1.獲取<tr></tr>標(biāo)簽之間內(nèi)容
- 2.獲取<a href..></a>超鏈接之間內(nèi)容
- 3.獲取URL最后一個(gè)參數(shù)命名圖片或傳遞參數(shù)
- 4.爬取網(wǎng)頁(yè)中所有URL鏈接
- 5.爬取網(wǎng)頁(yè)標(biāo)題title兩種方法
- 6.定位table位置并爬取屬性-屬性值
- 7.過(guò)濾<span></span>等標(biāo)簽
- 8.獲取<script></script>等標(biāo)簽內(nèi)容
- 9.通過(guò)replace函數(shù)過(guò)濾<br />標(biāo)簽
- 10.獲取<img ../>中超鏈接及過(guò)濾<img>標(biāo)簽

推薦基礎(chǔ)文章：Python正則表達(dá)式指南 - AstralWind

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

1.獲取<tr></tr>標(biāo)簽之間內(nèi)容

該部分主要是通過(guò)正則表達(dá)式獲取兩個(gè)標(biāo)簽之間的內(nèi)容，通常這種標(biāo)簽都是成對(duì)出現(xiàn)的。
開(kāi)始標(biāo)簽如：<tr>、<th>、<td>、<a>、<table>、<div>...
后綴標(biāo)簽如：</tr>、</th>、</td>、</a>、</table>、</div>...

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

[python] view plain copy

# coding=utf-8
import re
language = '''''<tr><th>性別：</th><td>男</td></tr><tr>'''
#正則表達(dá)式獲取<tr></tr>之間內(nèi)容
res_tr = r'<tr>(.*?)</tr>'
m_tr = re.findall(res_tr,language,re.S|re.M)
for line in m_tr:
print line
#獲取表格第一列th 屬性
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防止亂
#獲取表格第二列td 屬性值
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')

輸出如下所示：

[python] view plain copy

>>>
<th>性別：</th><td>男</td>
性別：男
>>>

python通過(guò)re模塊提供對(duì)正則表達(dá)式的支持。使用re的一般步驟是先將正則表達(dá)式的字符串形式編譯為Pattern實(shí)例，然后使用Pattern實(shí)例處理文本并獲得匹配結(jié)果（一個(gè)Match實(shí)例），最后使用Match實(shí)例獲得信息，進(jìn)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的常見(jiàn)參數(shù)包括：
re.I(re.IGNORECASE): 忽略大小寫(xiě)（括號(hào)內(nèi)是完整寫(xiě)法）
re.M(re.MULTILINE): 多行模式，改變'^'和'$'的行為
re.S(re.DOTALL): 點(diǎn)任意匹配模式，改變'.'的行為

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

2.獲取超鏈接<a href=..></a>之間內(nèi)容

通常在使用正則表達(dá)式時(shí)，需要分析網(wǎng)頁(yè)鏈接，獲取URL或網(wǎng)頁(yè)內(nèi)容。核心代碼如下：
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

# coding=utf-8
import re
content = '''''
<td>
<a >浙江省主題介紹</a>
<a >貴州省主題介紹</a>
</td>
'''
#獲取<a href></a>之間的內(nèi)容
print u'獲取鏈接文本內(nèi)容:'
res = r'<a .*?>(.*?)</a>'
mm = re.findall(
res, content, re.S|re.M)
for value in mm:
print value
#獲取所有<a href></a>鏈接所有內(nèi)容
print u'\n獲取完整鏈接內(nèi)容:'
urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M)
for i in urls:
print i
#獲取<a href></a>中的URL
print u'\n獲取鏈接中URL:'
res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
link = re.findall(res_url , content, re.I|re.S|re.M)
for url in link:
print url

輸出如下圖所示：

[python] view plain copy

>>>
獲取鏈接文本內(nèi)容:
浙江省主題介紹
貴州省主題介紹
獲取完整鏈接內(nèi)容:
<a >浙江省主題介紹</a>
<a >貴州省主題介紹</a>
獲取鏈接中URL:
https://www.baidu.com/articles/zj.html
https://www.baidu.com//articles/gz.html
>>>

當(dāng)然如果是通過(guò)Selenium分析DOM樹(shù)結(jié)構(gòu)獲取href對(duì)應(yīng)的url或title中的值，其核心代碼如下所示，這里主要是給大家做個(gè)對(duì)比，理解不同方法的優(yōu)勢(shì)：
  driver.get(link)
elem = driver.find_elements_by_xpath("http://div[@class='piclist']/tr/dd[1]")
for url in elem:
pic_url = url.get_attribute("href")
print pic_url
參考文章：[python爬蟲(chóng)] Selenium定向爬取虎撲籃球海量精美圖片

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

3.獲取URL最后一個(gè)參數(shù)命名圖片或傳遞參數(shù)

通常在使用Python爬取圖片過(guò)程中，會(huì)遇到圖片對(duì)應(yīng)的URL最后一個(gè)字段通常用于命名圖片，如虎撲孫悅妻子圖片：

http://i1./blogfile/201411/11/BbsImg141568417848931_640*640.jpg
此時(shí)需要通過(guò)該URL的"/"后面的參數(shù)命名圖片，則方法如下：

[python] view plain copy

urls = "http://i1./blogfile/201411/11/BbsImg141568417848931_640*640.jpg"
values = urls.split('/')[-1]
print values

輸出如下所示：

[python] view plain copy

>>>
BbsImg141568417848931_640*640.jpg
>>>

在使用Python獲取GET方法的URL鏈接中，還可能存在傳遞參數(shù)的值。
此時(shí)獲取參數(shù)方法如下：

[python] view plain copy

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('=')

輸出如下所示：

[python] view plain copy

>>>
a=hello&b=world
['a', 'hello']
['b', 'world']
>>>

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

4.爬取網(wǎng)頁(yè)中所有URL鏈接

在學(xué)習(xí)爬蟲(chóng)過(guò)程中，你肯定需要從固有網(wǎng)頁(yè)中爬取URL鏈接，再進(jìn)行下一步的循環(huán)爬取或URL抓取。如下，爬取CSDN首頁(yè)的所有URL鏈接。

[python] view plain copy

# 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

輸出如下所示：

[python] view plain copy

>>>
<a >登錄</a>
<a >注冊(cè)</a>
<a >幫助</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.爬取網(wǎng)頁(yè)標(biāo)題title兩種方法

獲取網(wǎng)頁(yè)標(biāo)題也是一種常見(jiàn)的爬蟲(chóng)，如我在爬取維基百科國(guó)家信息時(shí)，就需要爬取網(wǎng)頁(yè)title。通常位于<html><head><title>標(biāo)題</title></head></html>中。
下面是爬取CSDN標(biāo)題的兩種方法介紹：

[python] view plain copy

# 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]

輸出如下所示：

[python] view plain copy

>>>
方法一:
CSDN.NET - 全球最大中文IT社區(qū)，為IT專(zhuān)業(yè)技術(shù)人員提供最全面的信息傳播和服務(wù)平臺(tái)
方法二:
CSDN.NET - 全球最大中文IT社區(qū)，為IT專(zhuān)業(yè)技術(shù)人員提供最全面的信息傳播和服務(wù)平臺(tái)
>>>

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

6.定位table位置并爬取屬性-屬性值

如果使用Python庫(kù)的一些爬取，通?？梢酝ㄟ^(guò)DOM樹(shù)結(jié)構(gòu)進(jìn)行定位，如代碼：
login = driver.find_element_by_xpath("http://form[@id='loginForm']")
參考文章：[Python爬蟲(chóng)] Selenium實(shí)現(xiàn)自動(dòng)登錄163郵箱和Locating Elements介紹

但如果是正則表達(dá)式這種相對(duì)傳統(tǒng)傻瓜式的方法，通過(guò)通過(guò)find函數(shù)尋找指定table方法進(jìn)行定位。如：獲取Infobox的table信息。
通過(guò)分析源代碼發(fā)現(xiàn)“程序設(shè)計(jì)語(yǔ)言列表”的消息盒如下：
<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>

[python] view plain copy

start = content.find(r'<table class="infobox vevent"') #起點(diǎn)記錄查詢(xún)位置
end = content.find(r'</table>')
infobox = language[start:end]
print infobox

print infobox 輸出其中一門(mén)語(yǔ)言ActionScript的InfoBox消息盒部分源代碼如下：

[html] view plain copy

<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;;;">發(fā)行時(shí)間</th>
<td style=";;">1998年</td>
</tr>
<tr>
<th scope="row" style="text-align:left;white-space:nowrap;;;">實(shí)現(xiàn)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;;;">啟發(fā)語(yǔ)言</th>
<td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td>
</tr>
</table>

參考文章：[python學(xué)習(xí)] 簡(jiǎn)單爬取維基百科程序語(yǔ)言消息盒
然后再在這個(gè)infobox內(nèi)容中通過(guò)正則表達(dá)式進(jìn)行分析爬取。下面講述爬取屬性-屬性值：
爬取格式如下：
<table>
<tr>
<th>屬性</th>
<td>屬性值</td>
</tr>
</table>
其中th表示加粗處理，td和th中可能存在屬性如title、id、type等值；同時(shí)<td></td>之間的內(nèi)容可能存在<a href=..></a>或<span></span>或<br />等值，都需要處理。下面先講解正則表達(dá)式獲取td值的例子：
參考：http://bbs.csdn.net/topics/390353859?page=1

[html] view plain copy

<table>
<tr>
<td>序列號(hào)</td><td>DEIN3-39CD3-2093J3</td>
<td>日期</td><td>2013年1月22日</td>
<td>售價(jià)</td><td>392.70 元</td>
<td>說(shuō)明</td><td>僅限5用戶(hù)使用</td>
</tr>
</table>

Python代碼如下：

[python] view plain copy

# coding=utf-8
import re
s = '''''<table>
<tr>
<td>序列號(hào)</td><td>DEIN3-39CD3-2093J3</td>
<td>日期</td><td>2013年1月22日</td>
<td>售價(jià)</td><td>392.70 元</td>
<td>說(shuō)明</td><td>僅限5用戶(hù)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防止亂碼
#輸出結(jié)果如下：
#序列號(hào) DEIN3-39CD3-2093J3
#日期 2013年1月22日
#售價(jià) 392.70 元
#說(shuō)明僅限5用戶(hù)使用

如果<td id="">包含該屬性則正則表達(dá)式為r'<td id=.*?>(.*?)</td>'；同樣如果不一定是id屬性開(kāi)頭，則可以使用正則表達(dá)式r'<td .*?>(.*?)</td>'。

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

7.過(guò)濾<span></span>等標(biāo)簽

在獲取值過(guò)程中，通常會(huì)存在<span>、<br>、<a href>等標(biāo)簽，下面舉個(gè)例子過(guò)濾。
<td><span class="nickname">(字) 翔宇</span></td>過(guò)濾標(biāo)簽<span>核心代碼：
elif "span" in nn: #處理標(biāo)簽<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'),
代碼如下，注意print中逗號(hào)連接字符串：

[python] view plain copy

# 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>周恩來(lái)</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="中國(guó)">中國(guó)</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="紹興市">紹興市</a></td>
</tr>
</table>
'''
#獲取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:
#獲取表格第一列th 屬性
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: #如果獲取加粗的th中含超鏈接則處理
restr = r'<a href=.*?>(.*?)</a>'
h = re.findall(restr,mm,re.S|re.M)
print unicode(h[0],'utf-8'), #逗號(hào)連接屬性值防止換行
else:
print unicode(mm,'utf-8'), #unicode防止亂
#獲取表格第二列td 屬性值
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: #處理超鏈接<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: #處理標(biāo)簽<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 ' ' #換行

輸出如下所示：

[python] view plain copy

>>>
性別：男
異名： (字) 翔宇
政黨：中國(guó)
籍貫：浙江省紹興市
>>>

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

8.獲取<script></script>等標(biāo)簽內(nèi)容

比如在獲取游訊網(wǎng)圖庫(kù)中，圖集對(duì)應(yīng)的原圖它是存儲(chǔ)在script中，其中獲取原圖-original即可，縮略圖-thumb，大圖-big，通過(guò)正則表達(dá)式下載URL：
res_original = r'"original":"(.*?)"' #原圖
m_original = re.findall(res_original,script)
代碼如下：

[python] view plain copy

# 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":"(.*?)"' #原圖
m_original = re.findall(res_original,script)
for pic_url in m_original:
print pic_url
filename = os.path.basename(pic_url) #去掉目錄路徑,返回文件名
urllib.urlretrieve(pic_url, 'E:\\'+filename) #下載圖片

運(yùn)行結(jié)果如下圖所示，同時(shí)下載圖片至E盤(pán)。
參考文章： [python學(xué)習(xí)] 簡(jiǎn)單爬取圖片網(wǎng)站圖庫(kù)中圖片

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

9.通過(guò)replace過(guò)濾<br />標(biāo)簽

在獲取值過(guò)程中，通常會(huì)存<br />標(biāo)簽，它表示HTML換行的意思。常用的方法可以通過(guò)標(biāo)簽'<'和'>'進(jìn)行過(guò)濾，但是這里我想講述的是一種Python常用的過(guò)濾方法，在處理中文亂碼或一些特殊字符時(shí)，可以使用函數(shù)replace過(guò)濾掉這些字符。核心代碼如下：
if '<br />' in value:
value = value.replace('<br />','') #過(guò)濾該標(biāo)簽
value = value.replace('\n',' ') #換行空格替代否則總換行
例如過(guò)濾前后的例子：
達(dá)洪阿異名： (字) 厚菴<br /> (諡) 武壯<br /> (勇號(hào)) 阿克達(dá)春巴圖魯
達(dá)洪阿異名： (字) 厚菴 (諡) 武壯 (勇號(hào)) 阿克達(dá)春巴圖魯

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

10.獲取<img ../>中超鏈接及過(guò)濾<img>標(biāo)簽

在獲取值屬性值過(guò)程中，可能在分析table/tr/th/td標(biāo)簽后，仍然存在<img />圖片鏈接，此時(shí)在獲取文字內(nèi)容時(shí)，你可能需要過(guò)濾掉這些<img>標(biāo)簽。這里采用的方法如下：
value = re.sub('<[^>]+>','', value)
例如：

[python] view plain copy

#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(guó)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(guó)國(guó)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(guó)國(guó)民黨">中國(guó)國(guó)民黨</a></span></td>
</tr>
</table>
'''
value = re.sub('<[^>]+>','', value) #過(guò)濾HTML標(biāo)簽
print value

輸出如下：

[python] view plain copy

>>>
中華民國(guó)政治人士
性別：
男
政黨：
中國(guó)國(guó)民黨
>>>

雖然僅僅包括漢字，但是中間會(huì)存在換行，需要過(guò)濾<br />即可：

[python] view plain copy

if '<br />' in value:
value = value.replace('<br />','')
value = value.replace('\n',' ')
value = re.sub('<[^>]+>','', value) #過(guò)濾HTML標(biāo)簽
print value
#輸出僅僅一行如下：
#中華民國(guó)政治人士性別：男政黨：中國(guó)國(guó)民黨

下面講述第二部分，通過(guò)正則表達(dá)式獲取<img>中的src超鏈接，代碼如下：

[python] view plain copy

test = '''''<img alt="中國(guó)國(guó)民黨" src="../images/Kuomintang.png" width="19" height="19" border="0" />'''
print re.findall('src="(.*?)"',test)

輸出如下所示：

[python] view plain copy

>>>
['../images/Kuomintang.png']
>>>

findall函數(shù)返回的總是正則表達(dá)式在字符串中所有匹配結(jié)果的列表，即findall中返回列表中每個(gè)元素包含的信息。

本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間，所有內(nèi)容均由用戶(hù)發(fā)布，不代表本站觀點(diǎn)。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式、誘導(dǎo)購(gòu)買(mǎi)等信息，謹(jǐn)防詐騙。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請(qǐng)點(diǎn)擊一鍵舉報(bào)。

轉(zhuǎn)藏 分享

QQ空間 QQ好友新浪微博微信

獻(xiàn)花（0） +1

來(lái)自：大傻子的文淵閣 > 《待分類(lèi)》

舉報(bào)/認(rèn)領(lǐng)