当前位置：首页 > 编程语言 > 正文

python爬虫——数据爬取和具体解析

标签：pattern div mat txt 保存关于 json result with open

关于正则表达式的更多用法，可参考链接：https://blog.csdn.net/weixin_40040404/article/details/81027081

一、正则表达式：

1.常用正则匹配：

URL：^https?://[a-zA-Z0-9.?=&]*$ (re.S模式，匹配 https://www.baidu.com 类似URL )
常用Email地址：[0-9a-zA-Z_-] @[0-9a-zA-Z_-] .[0-9a-zA-Z_-] 或者 [w-] @[w-] .[w-]
中文字符匹配：[u4e00-u9fa5] 或者 [^x00-xff]
QQ号：[1-9][0-9]{4,} ({4，}表示[0-9]的数字个数不低于4个)
ID：^[1-9]d{5}(18|19|([23]d))d{2}((0[1-9])|(10|11|12))(([0-2][1-9])|10|20|30|31)d{3}[0-9Xx]$

2.特殊组合：

([sS]*?) == ([.n]*?) == re.findall(‘.*?‘, re.S)

万能正则表达式（加‘？’表示懒惰模式，尽可能最小长度匹配；不加‘？’表示贪婪模式，尽可能最大长度匹配）
sS : 空白字符非空白字符，即表示所有字符 all, == ’ .n ‘(.表示除换行符之外的任意字符，n表示换行符)
re.S: 即DOTAALL 点匹配任意模式，改变.的行为，可以匹配换行符

二、例子

获取博客园的其中一篇文章的内容，保存至文档中。（具体解析在代码注释中可见）

1.源代码

 1 import requests
 2 import re
 3 import json
 4 
 5 def request_blog(url):
 6     # 异常处理代码块
 7     try:
 8         #同步请求
 9         response = requests.get(url)
10         if response.status_code == 200:
11             return response.text
12     except requests.RequestException:
13          return None
14 
15 def parse_result(html):
16    # re正则表达式,re.compile是对匹配符的封装，直接用re.match(匹配符，要匹配的原文本)可以达到相同的效果, 
17    # 当然，这里没有用re.match来执行匹配，而是用了re.findall，这是因为后者可以适用于多行文本的匹配。
18    # 另外，re.compile后面的第2个参数，re.S是用来应对换行的，.匹配的单个字符不包括n和r，当遇到换行时，我们需要用到re.S
19 
20    # 获取网页中的<p>标签中的内容，遇到换行符时，自动跳出循环
21    # 格式：标签加.*？，.*?表示取标签中的所有数据
22     pattern = re.compile(‘<p>.*?</p>‘,re.S)
23     items = re.findall(pattern, html)
24     return items
25 
26 def write_item_to_file(item):
27     print(‘写入数据:‘   str(item))
28     # 保存的文件名blog.txt，写入文件的格式a追加，写入文件的中文格式化UTF-8
29     with open(‘blog.txt‘, ‘a‘, encoding=‘UTF-8‘) as f:
30         # 遇到换行符时，自动换行
31         f.write(json.dumps(item, ensure_ascii=False)   ‘n‘)
32 
33 def main(page):
34     # 网址
35     url = ‘https://www.cnblogs.com/chenting123456789/p/11840740.html‘   str(page)
36     # 调用获取网页数据的函数
37     html = request_blog(url)
38     # 调用解析已获取的网页数据的函数
39     items = parse_result(html)
40     # 循环写入文件
41     for item in items:
42         write_item_to_file(item)
43 
44 if __name__ == "__main__":
45     for i in range(1,5):
46         main(i)