2. 程式人生 > >常用正則表達式爬取網頁信息及HTML分析總結

常用正則表達式爬取網頁信息及HTML分析總結

阿新 • • 發佈：2017-05-20
logfile mpi 開始 order 標題 ear 爬取網頁 常用 enter

Python爬取網頁信息時，經常使用的正則表達式及方法。

1.獲取<tr></tr>標簽之間內容
2.獲取<a href..></a>超鏈接之間內容
3.獲取URL最後一個參數命名圖片或傳遞參數
4.爬取網頁中所有URL鏈接
5.爬取網頁標題title兩種方法
6.定位table位置並爬取屬性-屬性值
7.過濾<span></span>等標簽
8.獲取<script></script>等標簽內容

1). 獲取<tr></tr>標簽之間內容
開始標簽如：<tr>、<th>、<td>、<a>、<table>、<div>...
後綴標簽如：</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)

# eg_v1

import re
language = ‘‘‘<tr><th>床前明月光</th><td>憂思獨傷心</td></tr><tr>‘‘‘
# 正則表達式獲取<tr></tr>之間內容
res_tr = r"<tr>(.*?)</tr>"
m_tr = re.findall(res_tr,language,re.S|re.M)
print (unicode(m_tr,"utf-8"))
for line in m_tr:
print line
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"))
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"))

　　


2). 獲取超鏈接<a href=..></a>之間內容
在使用正則表達式時，需要分析網頁鏈接，獲取URL或網頁內容。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)

　　

# eg_v2

import re
content = ‘‘‘
<td>
<a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主題介紹</a>
<a href="https://www.baidu.com//articles/gz.html" title="貴州省">貴州省主題介紹</a>
</td>
‘‘‘

　　


# 獲取<a href></a>之間的內容

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

res_url = r"(?<=href=\").+?(?=\")|(?<=href=\‘).+?(?=\‘)"
link = re.findall(res_url,content,re.I|re.S|re.M)
for url in link:
print (url)

　　


3). 獲取URL最後一個參數命名圖片或傳遞參數
使用Python爬取圖片過程中，會遇到圖片對應的URL最後一個字段通常用於命名圖片
通過該URL的"/"後面的參數命名圖片
# eg_v3

urls = ‘http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg‘
value = urls.split("/")[-1]
print (value)
# BbsImg141568417848931_640*640.jpg

　　

使用Python獲取GET方法的URL鏈接中，還可能存在傳遞參數的值,獲取參數方法:

url = ‘http://localhost/test.py?a=hello&b=world‘
values = url.split(‘?‘)[-1]
print (values)
# a=hello&b=world
for key_value in values.split(‘&‘):
print (key_value.split(‘=‘))
# [‘a‘, ‘hello‘]
# [‘b‘, ‘world‘]

　　


4). 爬取網頁中所有URL鏈接
從固有網頁中爬取URL鏈接，再進行下一步的循環爬取或URL抓取.
# eg_v4 (爬取CSDN首頁的所有URL鏈接)

import re
import urllib2

url = "http://www.csdn.net/"
content = urllib2.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)

　　

5). 爬取網頁標題title兩種方法
獲取網頁標題也是一種常見的爬蟲,常位於<html><head><title>標題</title></head></html>中
# eg_v5 (爬取CSDN標題)

import re
import urllib2

url = ‘http://www.csdn.net/‘
content = urllib2.urlopen(url).read()

# 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)

# 方法二
title = re.findall(r‘<title>(.*?)</title>‘,content)
print (title[0])

　　

6). 定位table位置並爬取屬性-屬性值
# eg_v6 (正則表達式獲取td值的例子)

import re
s = ‘‘‘<table> 
<tr> 
<td>序列號</td><td>DEIN3-39CD3-2093J3</td> 
<td>日期</td><td>2013年1月22日</td> 
<td>售價</td><td>392.70 元</td> 
<td>說明</td><td>僅限5用戶使用</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‘))

　　


# 如果<td id="">包含該屬性則正則表達式為r‘<td id=.*?>(.*?)</td>‘；同樣如果不一定是id屬性開頭，則可以使用正則表達式r‘<td .*?>(.*?)</td>‘

7). 過濾<span></span>等標簽
獲取值過程中，通常會存在<span>、<br>、<a href>等標簽
核心代碼：

elif "span" in nn: #處理標簽<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‘),

# eg_v7 

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>購書</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="購書中心"></a></span></td>
</tr>
<tr>
<th>籍貫：</th>
<td><a href="../articles/%E6%B5%9981.html" title="廣東省">廣東省</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)

# 獲取表格第一列th 屬性
for line in m_tr:
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(res_tr,mm,re.S|re.M)
print (unicode(h[0],‘utf-8‘))
else:
print (unicode(mm,‘utf-8‘))

# 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:
if ‘href‘ in nn:
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:
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‘)
else:
print (unicode(nn,‘utf-8‘))

print (‘ ‘)

　　

8). 獲取<script></script>等標簽內容
在獲取遊訊網圖庫中，圖集對應的原圖它是存儲在script中，其中獲取原圖-original即可
通過正則表達式下載URL：

res_original = r‘"original":"(.*?)"‘ #原圖
m_original = re.findall(res_original,script)

# eg_v8

import re
import os
import urllib

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":"(.*?)"‘
	m_original = re.findall(res_original,script)
	for pic_url in m_original:
		print (pic_url)
		filename = os.path.basename(pic_url)
		urllib.urlretrieve(pic_url,"D:\\" + filename)

常用正則表達式爬取網頁信息及HTML分析總結

相關推薦

常用正則表達式爬取網頁信息及HTML分析總結

logfile mpi 開始 order 標題 ear 爬取網頁 常用 enter Python爬取網頁信息時，經常使用的正則表達式及方法。 1.獲取<tr></tr>標簽之間內容 2.獲取<a href..></a>超鏈接

Requests+正則表達式 爬取貓眼電影

movies core http status roc find apple ascii int 代碼: import re import json from multiprocessing import Pool import requests from reque

Python爬蟲之利用正則表達式爬取內涵吧

file res start cnblogs all save nts quest ide 首先，我們來看一下，爬蟲前基本的知識點概括 一. match()方法： 這個方法會從字符串的開頭去匹配（也可以指定開始的位置），如果在開始沒有找到，立即返回None，匹配到一個結果

python爬蟲知識點總結（九）Requests+正則表達式爬取貓眼電影

bsp code item 代碼 proc action none width auth 一、爬取流程 二、代碼演示 #-*- coding: UTF-8 -*- #_author:AlexCthon #mail:[email protected] #date:20

14-Requests+正則表達式爬取貓眼電影

ons 亂碼 aci resp 正則 app 名稱 header ascii ‘‘‘Requests+正則表達式爬取貓眼電影TOP100‘‘‘‘‘‘流程框架：抓去單頁內容：利用requests請求目標站點，得到單個網頁HTML代碼，返回結果。正則表達式分析：根據HTML代碼

Python爬蟲學習之正則表達式爬取個人博客

9.png turn () htm parent ast string 則表達式 urn 實例需求：運用python語言爬取http://www.eastmountyxz.com/個人博客的基本信息，包括網頁標題，網頁所有圖片的url，網頁文章的url、標題以及摘要。 實

Requests+正則表達式爬取貓眼電影

none tle req boa cto asc sta int col 1 # encoding:utf-8 2 from requests.exceptions import RequestException 3 import requests

PHP 常用正則表達式

參考 arr replace search 上一個 tput 位或 $1 以及 PHP代碼 $str = preg_replace("/(<a.*?>)(.*?)(<\/a>)/", ‘\1<span class="link">\2<

常用正則表達式

ror reg 有用 p地址 成對 劃線 set 是個 blank 常用正則表達式大全！（例如：匹配中文、匹配html） 匹配中文字符的正則表達式： [u4e00-u9fa5] 　　評註：匹配中文還真是個頭疼的事，有了這個表達式就好辦了 　　匹配雙字節字符(包括漢字在

常用正則表達式速查表

tle 效果 table 邏輯 改變 小寫 body 換行符 特殊 元字符(配匹字符串用) 字符 補集(相反的) . 除換行符（\n）以外的任意字符 \n（換行） \w 單詞字符 (指大小寫字母、0-9的數字、下劃線、漢字) \W \d 數字(0-

JS的常用正則表達式 驗證密碼用戶名等

register 字符串 表達式 text .exe exec 編碼 arc font //校驗是否全由數字組成 function isDigit(s) { var patrn=/^[0-9]{1,20}$/; if (!patrn.exec(s)) return fals

常用正則表達式實例

常用正則表達式 spa all java ray array style ava logs 1、選中被逗號(或其他符號)分割的字符串當中的某一個值 69,23,69,88,695,69,69,6,765769fd969690,3242,969,69 實例，選中以上字符串

最全的常用正則表達式大全——包括校驗數字、字符、一些特殊的需求等等

反斜杠 -1 正則表達 所有 2個 嵌套 pan span 至少 轉載:http://www.cnblogs.com/zxin/archive/2013/01/26/2877765.html 一、校驗數字的表達式 1 數字：^[0-9]*$ 2 n位的數字：^\d{n

常用正則表達式大全

沒有 取ip 特殊字符 備註 大小 校驗數字 而不是 編碼 都在 校驗數字的表達式1 數字：^[0-9]*$2 n位的數字：^\d{n}$3 至少n位的數字：^\d{n,}$4 m-n位的數字：^\d{m,n}$5 零和非零開頭的數字：^(0|[1-9][0-9]*)$6

最全面的65條最常用正則表達式

編碼 身份證 中國郵政 html 特殊 英文字母 ascii 騰訊qq url 最全面的65條最常用正則表達式 很多不太懂正則的朋友，在遇到需要用正則校驗數據時，往往是在網上去找很久，結果找來的還是不很符合要求。所以我最近把開發中常用的一些正則表達式整理了一下，在這裏分

最全面的常用正則表達式大全

android 正則 很多不太懂正則的朋友在遇到需要用正則校驗數據時往往是在網上去找很久結果找來的還是不很符合要求。所以我最近把開發中常用的一些正則表達式整理了一下在這裏分享一下。給自己留個底也給朋友們做個參考。 一、校驗數字的表達式1 數字^[0-9]*$2 n位的數字^d{n}$3 至少n位的

正則表達式截取xml

erb exchanger stat cdata ann chang cef nature req $str = ‘<Ips><GateWayRsp><head><ReferenceID>123</ReferenceID

【copy】必備之常用正則表達式 By 其他博主

包含 其他 意義 exp target 特殊 浮點 net 測試工具 熟練而優雅的使用正則，對於程序員來講，實在太有意義了（即便非此類者，也是好處多多）；它輔助處理復雜的文本查詢和字符串操作，不僅能用之於代碼，還能雅之於編輯器，瀏覽器，Terminal等，實在是編碼居家必備

(轉)最全的常用正則表達式大全——包括校驗數字、字符、一些特殊的需求等

需求 至少 xxxxx 0.00 下劃線 最全的 電話 使用 字符串 一、校驗數字的表達式 1 數字：^[0-9]*$ 2 n位的數字：^\d{n}$ 3 至少n位的數字：^\d{n,}$ 4 m-n位的數字：^\d{m,n}$ 5 零和非零開頭的數字：^(0|[1-

day19——常用正則表達式、re正則對象和正則匹配效率比較、編譯正則對象

import com pattern ima 優先 打印 來看 image python 正則網站：regex101.com 在了解re模塊之前，我們可以先了解一下正則表達式，正則表達式在很多語言中都有使用，但是不同的語言直接又有有些細小的區別，下面我們就來列舉一下