本專欄是以楊秀璋老師爬蟲著作《Python網絡數據爬取及分析「從入門到精通」》爲主線、個人學習理解爲主要內容,以學習筆記形式編寫的。
本專欄不光是自己的一個學習分享,也希望能給您普及一些關於爬蟲的相關知識以及提供一些微不足道的爬蟲思路。
專欄地址:Python網絡數據爬取及分析「從入門到精通」
更多爬蟲實例詳見專欄:Python爬蟲牛刀小試
前文回顧:
「Python爬蟲系列講解」一、網絡數據爬取概述
「Python爬蟲系列講解」二、Python知識初學
本文涉及知識點:正則表達式
亦可參考之前寫過的一片相關博文:
正則表達式心中有,還愁爬蟲之路不好走?
目錄
1 正則表達式
正則表達式(Regular Expression, Regex 或 RE)又稱正規表示法或常規表示法,常用來檢索、替換那些符合某個模式的文本。
它首先設定好一些特殊的字符及字符組合,然後通過組合的“規則字符串”來對錶達式進行過濾,從而獲取或匹配用戶想要的特定內容。
1.1 re模塊
Python 通過 re 模塊提供對正則表達式的支持,但在使用正則表達式之前需要導入 re 模塊才能調用該模塊的功能函數。
import re
其基本步驟是:
- 將正則表達式的字符串形式編譯爲 pattern 實例;
- 使用 pattern 實例處理文本並獲得一個匹配實例;
- 使用 match 實例獲得所需信息。
常用函數是 findall,原型如下:
findall(String[, pos[, endpos]])|re.findall(pattern, string[, flags])
該函數表示搜索字符串 string,然後以列表形式返回全部匹配字符串。
其中,參數 re 包括3個常見值(括號內是完整寫法):
re.I(re.IGNORECASE) # 使匹配忽略大小寫
re.M(re.MULTILINE) # 允許多行匹配
re.S(re.DOTALL) # 匹配包括換行在內的所有字符
另外,pattern 對象是一個編譯好的正則表達式,通過 pattern 提供的一系列方法可以對文本進行匹配查找;pattern 對象不能直接實例化,必須使用 re.compile() 進行構造。
1.2 complie方法
re 模塊包括一些常用的操作函數,比如 complie() 函數,其原型如下:
compile(pattern[, flags])
該函數根據包含正則表達式的字符串創建模式對象,返回一個 pattern 對象。其中,參數 flags 是匹配模式,可以使用按位或“|”表示同時生效,也可以在正則表達式字符串中指定。
# 舉例說明如何使用正則表達式來獲取字符串中的數字內容
import re
string = 'A1.45, b5, 6.45, 8.82'
regex = re.compile(r"\d+\.?\d*")
print(regex.findall(string))
1.3 match方法
match 方法是從字符串的 pos 下標處開始匹配 pattern,如果 pattern 結束時已經匹配,則返回一個 match 對象;如果匹配過程中 pattern 無法匹配,或者匹配未結束就已達到 endpos,則返回 None。
match 方法原型如下:
match(string[, pos[, endpos]]) | re.match(patter, string[, flags])
其中,參數 string 表示字符串;pos 表示下標,pos 和 endpos 的默認值分別爲 0 和 len(string);參數 flags 用於編譯 pattern 時指定匹配模式。
1.4 search方法
search 方法用於查找字符串中可以匹配成功的子字符串。從字符串的 pos 下標處嘗試匹配 pattern,如果 pattern 結束時仍可匹配,則返回一個 match 對象,如果 pattern 結束時仍無法匹配,則將 pos 加 1 後重新嘗試匹配,若知道 pos = endpos 時仍無法匹配,則返回 None。
search 方法函數原型如下:
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
其中,參數 string 表示字符串;pos 表示下標,pos 和 endpos 的默認值分別爲 0 和 len(string);參數 flags 用於編譯 pattern 時指定匹配模式。
1.5 group和groups方法
group([group1, …]) 方法用於獲得一個或多個分組截獲的字符串,當它指定多個參數時將以元組形式返回 None,截獲多次的組返回最後一次截獲的字符串。groups([default]) 方法以元組形式返回全部分組截獲的字符串,相當於多次調用 group,其中參數 default 表示沒有截獲字符串的組以該值代替,默認爲 None。
2 Python網絡數據爬取的常用模塊
2.1 urllib模塊
urllib 是 Python 用於獲取 URL(Uniform Resource Locators,同意資源定位器)的庫函數,可以用於爬取遠程的數據並保存,甚至可以設置消息頭(header)、代理、超時認證等。
urllib 模塊提供的上策接口使用戶能夠像讀取本地文件一樣讀取 WWW 或 FTP 上的數據,使用起來比C++、C#等編程語言更加方便。
2.1.1 urlopen
函數原型如下
urlopen(url, data = None, proxies = None)
該方法用於創建一個遠程 URL 的類文件對象,然後像本地文件一樣操作這個類文件對象來獲取遠程數據。其中參數 url 表示遠程數據的路徑,一般是網址;參數 data 表示以 post 方式提交到 url 的數據;參數 proxies 用於設置代理;返回值是一個類文件對象。
方法 | 用途 |
read()、readlines()、close() | 這些方法的使用方式與文件對象完全一樣,包括文件的讀取和關閉操作 |
info() | 返回一個 httplib.HTTPMessage 對象,表示遠程服務器返回的頭信息 |
geturl() | 返回請求的 URL |
getcode() | 返回 HTTP 狀態碼。如果是 HTTP 請求,則 200 表示請求成功完成,404 小時網址未找到 |
# 本實例用來介紹 urllib 庫函數爬取百度官網的實例
import urllib.request
import webbrowser as web
url = 'http://www.baidu.com'
content = urllib.request.urlopen(url) # 打開鏈接
print(content.info) # 頭信息
print(content.geturl) # 請求url
print(content.getcode) # HTTP狀態碼
# 保存至本地並通過瀏覽器打開
response = urllib.request.urlopen(url).read()
open('baidu.html', 'w').write(response.decode('UTF-8'))
web.open_new_tab('baidu.html')
2.1.2 urlretrieve
urlretrieve 方法是將遠程數據下載到本地,函數原型如下:
urlretrieve(url, filename = None, reporthook = None, data = None)
其中,參數 filename 指定了保存到本地的路徑,如果省略該函數,則 urllib 會自動生成一個臨時文件來保存數據;
參數 reporthook 是一個回調參數,當連接上服務器,響應的數據塊傳輸完畢時,會觸發該調回函數,通常使用該回調函數來顯示當前的下載進度;
參數 data 是指傳遞到服務器的數據。
# 本實例用來演示如何將新浪首頁爬取到本地,並保存在“F:/sina.html”文件中,同時顯示下載進度
from urllib.request import urlretrieve
# 設置函數來表示下載文件至本地,並顯示下載進度
def Download(a, b, c):
# a--已經下載的數據塊
# b--數據塊的大小
# c--遠程文件的大小
per = 100.0 * a * b / c
if per >100:
per = 100
print('%.2f%%' % per)
url = 'http://www.sina.com.cn'
local = 'F:/sina.html'
urlretrieve(url, local, Download)
2.2 urlparse模塊
urlparse 模塊主要是對 url 進行分析,其主要的操作時拆分和合並 url 各個部件。它可以將 url 拆分成 6 個部分,並返回元組,也可以把拆分後的部分再組成一個 url。
urlparse 模塊包括的函數主要有 urlparse、urlunparse 等。
導入方式
# python3版本中已經將urllib2、urlparse、和robotparser併入了urllib模塊中,並且修改urllib模塊
from urllib.parse import urlunparse
from urllib.parse import urlparse
2.2.1 urlparse函數
函數原型如下:
urlparse(urlstring[, scheme[, allow_fragments]])
該函數將 urlstring 值解析成 6 各部分,從 urlstring 中獲取 URL,並返回元組(scheme,netloc,path、params、query、fragment)。該函數可用於確定網絡協議(HTTP、FTP等)、服務器地址、文件路徑等。
from urllib.parse import urlparse
url = urlparse('https://blog.csdn.net/IT_charge/article/details/105714745')
# 輸出內容包括以下六個部分scheme, netloc, path, params, query, fragment
print(url)
print(url.netloc)
2.2.2 urlunparse函數
同樣可以調用 urlunparse() 函數將一個元祖內容構建成一條 url,函數原型如下:
urlunparse(parts)
該元組類似 urlparse 函數,它接收元組(scheme, netloc, path, params, query, fragment)後,會重新組成一個具有正確格式的URL,以便共 Python 的其他 HTML 解析模塊使用。
from urllib.parse import urlunparse
from urllib.parse import urlparse
url = urlparse('https://blog.csdn.net/IT_charge/article/details/105714745')
# 輸出內容包括以下六個部分scheme, netloc, path, params, query, fragment
print(url)
print(url.netloc)
# 重組url
u = urlunparse(url)
print(u)
2.3 requests模塊
requests 模塊是用 Python 語言編寫的、基於 urllib 的第三方庫,其採用 Apache2 Licensed 開源協議的 HTTP 庫。它比 urllib 更加方便,既可以節約大量的工作,又完全滿足 HTTP 的測試需求。
安裝 requests 模塊方法
pip install requests
2.3.1 導入requests模塊
使用語句如下:
import requests
2.3.2 發送GET/POST請求
requests 模塊可以發送 HTTP 的兩種請求,GET 請求和 POST 請求。其中 GET 請求可以採用 url 參數傳遞數據,它從服務器上獲取數據,而 POST 請求是向服務器傳遞數據,該方法更爲安全。
# 這裏給出 get 和 post 請求獲取某個網站網頁的方法,得到一個命名爲 response 的響應對象,通過這個對象獲取我們所需要的信息
r = requests.get('https://github.com/timeline.json)
r = requests.post('https://httpbin.org/post)
2.3.3 傳遞參數
url 通常會傳遞某種數據,這種數據採用鍵值對的參數形式置於 URL 中。
requests通過 params 關鍵字設置 URL 的參數,以一個字符串字典來提供這些參數。
# 傳遞 key1=value1 和 key2=value2 到 httpbin.org/get 後
import requests
payload = {'key1': 'value1', 'key2': 'value2'}
r = requests.get('http://httpbin.org/get', params = payload)
print(r.url)
2.3.4 相應內容
requests 會自動解碼來自服務器的內容,並且大多數 Unicode 字符集都能被無縫解碼。當請求發出後,requests 會基於 HTTP 頭部對響應的編碼做出有根據的推測。
import requests
r = requests.get('https://github.com/timeline.json')
print(r.text)
2.3.5 定製請求頭
只需要簡單地傳遞一個字典(dict)給消息頭 headers 參數即可。以網站“堆糖”爲例,其 headers 參數在 User-Agent 裏找。
定製請求頭是爲了僞裝爬蟲程序,不會被網站輕易檢測出來,亦即不會返回 403 錯誤。
# 這裏假設給 堆糖 網站指定一個消息頭
import requests
base_url = 'https://www.duitang.com/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
}
response = requests.get(url=base_url, headers=headers)
print(response)
3 正則表達式爬取網絡數據的常見方法
3.1 爬取標籤間的內容
HTML語言是採用標籤對的形式來編寫網站的,包括起始標籤和結束標籤,比如<head></head>、<tr></tr>、<script></script>等
3.1.1 爬取title標籤間的內容
首先可以採用正則表達式“‘<title>(.*?)</title>’”來爬取起始標籤<title>和結束標籤</title>之間的內容。
# 本實例用來爬取百度官網標題——“百度一下,你就知道”
import re
import requests
url = 'https://www.baidu.com/?tn=78040160_5_pg&ch=8'
response = requests.get(url).content.decode('utf-8')
title = re.findall(r'<title>(.*?)</title>', response)
print(title[0])
3.1.2 爬取超鏈接標籤間的內容
在 HTML 中,<a href=url> 超鏈接標題 </a> 用於表示超鏈接。
import re
import requests
url = "http://www.baidu.com"
content = requests.get(url).content.decode('utf-8')
# 獲取完整的超鏈接
res1 = re.compile('<a(.*?)</a>')
urls1 = re.findall(res1, content)
for u1 in urls1:
print(u1)
# 獲取超鏈接<a>和</a>之間的內容
res2 = re.compile('<a.*?>(.*?)</a>')
urls2 = re.findall(res2, content)
for u2 in urls2:
print(u2)
3.1.3 爬取re標籤和td標籤間的內容
網頁常用的佈局包括 table 佈局和 div 佈局,其中,table 佈局中常見的標籤包括tr,th和td,tr(table row)表示表格行爲,td(table data)表示表格數據,th(table heading)表示表格表頭。
首先假設存在一HTML代碼
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>表格</title>
</head>
<body>
<table border="1">
<tr><th>編號</th><th>課程名</th></tr>
<tr><td>001</td><td>Python程序設計語言</td></tr>
<tr><td>002</td><td>JavaScript</td></tr>
<tr><td>003</td><td>網絡數據爬取及分析</td></tr>
</table>
</body>
</html>
import re
# 獲取<tr> </tr>之間的內容
f = open("t.html","r",encoding="utf-8") # 讀取文件
f = f.read() # 把文件內容轉化爲字符串
trs = re.findall(r'<tr>(.*?)</tr>', f, re.S|re.M)
for tr in trs:
print(tr)
# 獲取<th> </th>之間的內容
print('\n')
for m in trs:
ths = re.findall(r'<th>(.*?)</th>', m, re.S|re.M)
for th in ths:
print(th)
# 獲取<td> </td>之間的內容
print('\n')
tds = re.findall(r'<td>(.*?)</td><td>(.*?)</td>', f, re.S|re.M)
for td in tds:
print(td[0], td[1])
3.2 爬取標籤中的參數
3.2.1 爬取超鏈接標籤的URL
HTML超鏈接的基本格式爲 “ <a href=url> 鏈接內容 </a> ”
import re
content = '''
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新聞</a>
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地圖</a>
'''
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
urls = re.findall(res, content, re.I|re.S|re.M)
for url in urls:
print(url)
3.2.2 爬取圖片超鏈接標籤的URL
在HTML中,我們可以看到各式各樣的圖片,其中圖片標籤的基本格式爲“ <img src = 圖片地址/> ”,只有通過爬取這些圖片原地址,才能下載對應的圖片至本地。
import re
content = '''
<img alt = "meizi" src = "http://img.ivsky.com/img/tupian/pre/202001/15/gancaoduo-002.jpg"/>
'''
res = '<img .*? src = "(.*?)"/>'
urls = re.findall(res, content, re.I|re.S|re.M)
print(urls)
3.2.3 獲取URL中的最後一個參數
在使用 Python 爬取圖片的過程中,通常會遇到圖片對應的 URL 最後一個字段用來對圖片命名的情況,如前面的“gancaoduo-002.jpg”,因此就需要通過解析 URL “/” 後面的參數來獲取圖片名字。
import re
content = '''
<img alt = "meizi" src = "http://img.ivsky.com/img/tupian/pre/202001/15/gancaoduo-002.jpg"/>
'''
# res = '<img .*? src = "(.*?)"/>'
# urls = re.findall(res, content, re.I|re.S|re.M)
# print(urls)
urls = 'http://img.ivsky.com/img/tupian/pre/202001/15/gancaoduo-002.jpg'
# 採用“/”分隔字符串,進而獲取最後一個值
picture_name = urls.split('/')[-1]
print(picture_name)
3.3 字符串處理及替換
當使用正則表達式爬取網頁文本時,首先需要調用 find() 函數來找到指定的位置,然後在進行進一步爬取。
# 比如先獲取class屬性爲“infobox”的表格table,然後再進行定位爬取
start = content.find(r'<table class="infobox>') # 起點位置
end = content.find(r'</table>') # 終點位置
infobox = text[start:end]
print(infobox)
在爬取過程中可能會爬取無關變量,此時需要對無關內容進行過濾,這裏推薦使用replace()函數和正則表達式進行處理。
示例如下:
import re
content = '''
<tr><td>000</td><td>軟件工程</td></tr>
<tr><td>001</td><td>Python程序設計語言<br/></td></tr>
<tr><td>002</td><td><B>JavaScript</B></td></tr>
<tr><td>003</td><td>網絡數據 爬取及分析</td></tr>
'''
res = r'<td>(.*?)</td><td>(.*?)</td>'
texts = re.findall(res, content, re.S|re.M)
for text in texts:
print(text[0], text[1])
此時需要過濾掉多餘的字符串,如換行(<br/>)、空格( )、加粗(<B></B>),過濾代碼如下:
import re
content = '''
<tr><td>000</td><td>軟件工程</td></tr>
<tr><td>001</td><td>Python程序設計語言<br/></td></tr>
<tr><td>002</td><td><B>JavaScript</B></td></tr>
<tr><td>003</td><td>網絡數據 爬取及分析</td></tr>
'''
res = r'<td>(.*?)</td><td>(.*?)</td>'
texts = re.findall(res, content, re.S|re.M)
for text in texts:
value0 = text[0].replace('<br/>', "").replace(' ', "")
value1 = text[1].replace('<br/>', "").replace(' ', "")
if '<B>' in value1:
text_value = re.findall(r'<B>(.*?)</B>', value1, re.S|re.M)
print(value0, text_value[0])
else:
print(value0, value1)
採用 replace() 函數將字符串 “<br/>” 和 “< >” 轉換成空白實現過濾,而加粗(<B></B>)則需要使用正則表達式進行過濾
4 爬取實例
正則表達式爬取實例請參考我的另一篇博文:https://blog.csdn.net/IT_charge/article/details/105977578
該文提供了兩個爬取實例
- 下載全書網長篇連載小說《斗羅大陸》
- 目標是爬取b站中的視頻彈幕並生成詞雲
5 本文總結
正則表達式通過組合的“規則字符串”對錶達式進行過濾,從複雜內容中匹配想要的信息。它的主要對象是文本,適合文本字符串等內容,比如匹配URL、E-mail這種純文本的字符,但不是和匹配文本意義。各種編程語言都能使用正則表達式,比如C#、Java、Python等。
正則表達式爬蟲常用於獲取字符串中的某些內容,比如提取博客閱讀量和評論數等數字,截取URL中的某個參數,過濾掉特定的字符或檢查所獲取的數據是否符合某個邏輯,驗證URL或日期類型等。由於其具有靈活性、邏輯性和功能性較強的特點,從而能夠迅速地以極簡單地方式從複雜字符串中匹配到想要的信息。
最後再補充一點,在Python網絡數據爬取中,與 re 模塊(正則表達式)有同樣功能的還有 xpath、BeautifulSoup等。
歡迎留言,一起學習交流~
感謝閱讀