正文
Python爬虫 | re正则表达式解析html页面
提示：扫一扫查出行【扫一扫了解最新限行尾号】
复制提示
正则表达式（Regular Expression）是一种文本模式，包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"）。
正则表达式通常被用来匹配、检索、替换和分割那些符合某个模式(规则)的文本。
一、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 [0-9]
\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 >=0
+ : 至少1次 >=1
? : 可有可无 0次或者1次
{m} ：固定m次 hello{3,}
{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)
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 [0-9]
\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 >=0
+ : 至少1次 >=1
? : 可有可无 0次或者1次
{m} ：固定m次 hello{3,}
{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)
回顾练习：
import re#提取出python
key="javapythonc++php"
re.findall('python',key)[0] # 都有引号#提取出hello world
key="<html><h1>hello world<h1></html>"
re.findall('<h1>(.*)<h1>',key)[0]#提取170
string = '我喜欢身高为170的女孩'
re.findall('\d+',string)#提取出http://和https://
key='http://www.baidu.com and https://boob.com'
re.findall('https?://',key)#提取出hello
key='lalala<hTml>hello</HtMl>hahah' #输出<hTml>hello</HtMl>
re.findall('<[Hh][Tt][mM][lL]>(.*)</[Hh][Tt][mM][lL]>',key)#提取出hit.
key='bobo@hit.edu.com' #想要匹配到hit.
re.findall('h.*?\.',key)#匹配sas和saas
key='saas and sas and saaas'
re.findall('sa{1,2}s',key)#匹配出i开头的行
string = '''fall in love with you
i love you very much
i love she
i love her'''re.findall('^i.*',string,re.M)#匹配全部行
string1 = """<div>静夜思
窗前明月光
疑是地上霜
举头望明月
低头思故乡
</div>"""re.findall('.*',string1,re.S)
注意：re.findall()通常匹配出来的是列表，所以要通过索引的方式将内容提取出来。
二、数据解析-正则表达式
1. 需求：爬取糗事百科中所有糗图照片
import requests
import re
import os#创建一个文件夹
if not os.path.exists('./qiutuLibs'): # 注意里面要有引号
os.mkdir('./qiutuLibs')headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}url = 'https://www.qiushibaike.com/pic/'
page_text = requests.get(url=url,headers=headers).text#进行数据解析（图片的地址）
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>' #不相关的可以用.*，非贪婪匹配#re.S单行匹配
src_list = re.findall(ex,page_text,re.S)
print(src_list)for src in src_list:
src = 'https:'+src #发现src属性值不是一个完整的url，缺少了协议头 #对图片的url单独发起请求，获取图片数据.content返回的是二进制类型的响应数据
img_data = requests.get(url=src,headers=headers).content
img_name = src.split('/')[-1] # url 最后一个斜杠的就是图片名
img_path = './qiutuLibs/'+img_name
with open(img_path,'wb') as fp:
fp.write(img_data)
print(img_name,'下载成功！')
2. 糗图分页爬取
import requests
import re
import os# 创建一个文件夹
if not os.path.exists('./qiutuLibs'):
os.mkdir('./qiutuLibs')headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}#封装一个通用的url模板
url = 'https://www.qiushibaike.com/pic/page/%d/?s=5185803'for page in range(1,36):
new_url = format(url%page) #不要忘了format，里面不加引号
page_text = requests.get(url=new_url, headers=headers).text # 进行数据解析（图片的地址）
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
src_list = re.findall(ex, page_text, re.S) # re.S单行匹配，因为页面源码里面有 \n # 发现src属性值不是一个完整的url，缺少了协议头
for src in src_list:
src = 'https:' + src
# 对图片的url单独发起请求，获取图片数据.content返回的是二进制类型的响应数据
img_data = requests.get(url=src, headers=headers).content
img_name = src.split('/')[-1]
img_path = './qiutuLibs/' + img_name
with open(img_path, 'wb') as fp:
fp.write(img_data)
print(img_name, '下载成功！')
观察各个页面之间的关联
输入1，结果自动跳转到首页
注意：url使用format的编写格式
#封装一个通用的url模板
url = 'https://www.qiushibaike.com/pic/page/%d/?s=5185803'for page in range(1,36):
new_url = format(url%page) #不要忘了format，里面不加引号
3. 爬取糗事百科指定页面的糗图，并将其保存到指定文件夹中
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
import re
import osif __name__ == "__main__":
url = 'https://www.qiushibaike.com/pic/%s/'
headers={
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
} #指定起始也结束页码
page_start = int(input('enter start page:'))
page_end = int(input('enter end page:')) #创建文件夹
if not os.path.exists('images'):
os.mkdir('images') #循环解析且下载指定页码中的图片数据
for page in range(page_start,page_end+1):
print('正在下载第%d页图片'%page)
new_url = format(url % page)
response = requests.get(url=new_url,headers=headers) #解析response中的图片链接
e = '<div class="thumb">.*?<img src="(.*?)".*?>.*?</div>'
pa = re.compile(e,re.S)
image_urls = pa.findall(response.text) #循环下载该页码下所有的图片数据
for image_url in image_urls:
image_url = 'https:' + image_url
image_name = image_url.split('/')[-1]
image_path = 'images/'+image_name
image_data = requests.get(url=image_url,headers=headers).content
with open(image_path,'wb') as fp:
fp.write(image_data)
