爬虫之正则和xpath

时间：2021-11-07 01:02:54

一.正解解析

常用正则表达式回顾：

   单字符：
        . : 除换行以外所有字符

        [] ：[aoe] [a-w] 匹配集合中任意一个字符

        \d ：数字  [-]

        \D : 非数字

        \w ：数字、字母、下划线、中文

        \W : 非\w

        \s ：所有的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。

        \S : 非空白


    数量修饰：
        * : 任意多次  >=

        + : 至少1次   >=

        ? : 可有可无  0次或者1次

        {m} ：固定m次 hello{,}

        {m,} ：至少m次

        {m,n} ：m-n次
    边界：
        $ : 以某某结尾

        ^ : 以某某开头
    分组：
        (ab)

    贪婪模式： .*

    非贪婪（惰性）模式： .*?
    re.I : 忽略大小写

    re.M ：多行匹配

    re.S ：单行匹配

    re.sub(正则表达式, 替换内容, 字符串)

爬取糗百数据

import re

import requests

from urllib import request

import os

#.检查页面数据是否为动态加载出来的

#.获取页面源码数据

if not os.path.exists('qiutu'):

    os.mkdir('qiutu')

headers = {

    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'

}

url = 'https://www.qiushibaike.com/pic/'

page_text = requests.get(url=url,headers=headers).text

#.解析img标签的src属性值

ex = '<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>'

img_url_list = re.findall(ex,page_text,re.S)

for img_url in img_url_list:

    img_url = 'https:'+img_url

    imgPath = 'qiutu/'+img_url.split('/')[-]

    #.对图片url发请求

    #.持久化存储

    request.urlretrieve(url=img_url,filename=imgPath)

    print(imgPath+'下载成功!!!')

二.xpath解析

xpath介绍

https://www.cnblogs.com/clbao/articles/10803582.html

1.下载：pip install lxml

2.导包：from lxml import etree
3.使用：
将html文档或者xml文档转换成一个etree对象，然后调用对象中的方法查找指定的节点

1.本地文件

本地文件：tree = etree.parse(文件路径或者一段代码)

                tree.xpath("xpath表达式")
from lxml import etree

html = """

    <div>

      <ul>

         <li class="item-0"><a href="link1.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >first item</a></li>

         <li class="item-inactive"><a href="link2.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >third item</a></li>

         <li class="item-1"><a href="link3.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fourth item</a></li>

         <li class="item-0"><a href="link4.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fifth item</a>

       </ul>

     </div>

    """

html = etree.HTML(html)

print(html)  # <Element html at 0x3531800>

result = etree.tostring(html)

print(result.decode("utf-8"))  # 补全了html和body标签

2.网络数据

网络数据：tree = etree.HTML(网页内容字符串)

                tree.xpath("xpath表达式")

测试页面数据

<html lang="en">

<head>

    <meta charset="UTF-8" />

    <title>测试bs4</title>

</head>

<body>

    <div>

        <p>百里守约</p>

    </div>

    <div class="song">

        <p>李清照</p>

        <p>王安石</p>

        <p>苏轼</p>

        <p>柳宗元</p>

        <a href="http://www.song.com/" title="赵匡胤" target="_self">

            <span>this is span</span>

        宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a>

        <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>

        <img src="http://www.baidu.com/meinv.jpg" alt="" />

    </div>

    <div class="tang">

        <ul>

            <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>

            <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>

            <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>

            <li><a href="http://www.sina.com" class="du">杜甫</a></li>

            <li><a href="http://www.dudu.com" class="du">杜牧</a></li>

            <li><b>杜小月</b></li>

            <li><i>度蜜月</i></li>

            <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>

        </ul>

    </div>

</body>

</html>
属性定位：
    #找到class属性值为song的div标签

    //div[@class="song"] 
层级&索引定位：
    #找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a

    //div[@class="tang"]/ul/li[2]/a
逻辑运算：
    #找到href属性值为空且class属性值为du的a标签

    //a[@href="" and @class="du"]
模糊匹配：
    //div[contains(@class, "ng")]

    //div[starts-with(@class, "ta")]
取文本：
    # /表示获取某个标签下的文本内容

    # //表示获取某个标签下的文本内容和所有子标签下的文本内容

    //div[@class="song"]/p[1]/text()

    //div[@class="tang"]//text()

取属性：

    //div[@class="tang"]//li[2]/a/@href

58二手房数据

import requests

from lxml import etree

#获取页面源码数据

url = 'https://bj.58.com/changping/ershoufang/?utm_source=sem-baidu-pc&spm=105916147073.26840108910'

headers = {

    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'

}

page_text = requests.get(url=url,headers=headers).text

#实例化etree对象且将页面源码数据加载到该对象中

tree = etree.HTML(page_text)

li_list = tree.xpath('//ul[@class="house-list-wrap"]/li')

all_data_list = []

for li in li_list:

    title = li.xpath('.//div[@class="list-info"]/h2/a/text()')[]

    detail_url = li.xpath('.//div[@class="list-info"]/h2/a/@href')[]

    if not 'https:' in detail_url:

        detail_url = 'https:'+detail_url

    price = li.xpath('.//div[@class="price"]/p//text()')

    price = ''.join(price)

    #对详情页发起请求,获取页面数据

    detail_page_text = requests.get(url=detail_url,headers=headers).text

    tree = etree.HTML(detail_page_text)

    desc = tree.xpath('//div[@class="general-item-wrap"]//text()')

    desc = ''.join(desc).strip(' \n \b \t')

    dic = {

        'title':title,

        'price':price,

        'desc':desc

    }

    all_data_list.append(dic)

print(all_data_list)

相关文章