[python] 常用正则表达式爬取网页信息及分析HTML标签总结【转】

[python] 常用正则表达式爬取网页信息及分析HTML标签总结

转http://blog.csdn.net/Eastmount/article/details/51082253

标签： pythonpython爬虫正则表达式html知识总结

2016-04-07 06:13 3615人阅读 评论(4) 收藏 举报

 分类：

Python爬虫（23）  Python基础知识（17） 

版权声明：本文为博主原创文章，转载请注明CSDN博客源地址！共同学习，一起进步~

这篇文章主要是介绍Python爬取网页信息时，经常使用的正则表达式及方法。它是一篇总结性文章，实用性比较大，主要解决自己遇到的爬虫问题，也希望对你有所帮助~
当然如果会Selenium基于自动化测试爬虫、BeautifulSoup分析网页DOM节点，这就更方便了，但本文更多的是介绍基于正则的底层爬取分析。

涉及内容如下：

• 常用正则表达式爬取网页信息及HTML分析总结
  • 1.获取<tr></tr>标签之间内容
  • 2.获取<a href..></a>超链接之间内容
  • 3.获取URL最后一个参数命名图片或传递参数
  • 4.爬取网页中所有URL链接
  • 5.爬取网页标题title两种方法
  • 6.定位table位置并爬取属性-属性值
  • 7.过滤<span></span>等标签
  • 8.获取<script></script>等标签内容
  • 9.通过replace函数过滤<br />标签
  • 10.获取<img ../>中超链接及过滤<img>标签

推荐基础文章：Python正则表达式指南 - AstralWind

------------------------------------------------------------------------------------------------------------------------------

1.获取<tr></tr>标签之间内容

该部分主要是通过正则表达式获取两个标签之间的内容，通常这种标签都是成对出现的。
开始标签如：<tr>、<th>、<td>、<a>、<table>、<div>...
后缀标签如：</tr>、</th>、</td>、</a>、</table>、</div>...

核心代码：
        res_tr = r'<tr>(.*?)</tr>'
        m_tr =  re.findall(res_tr,language,re.S|re.M)
例子：

1. # coding=utf-8
2. import re
3. language = '''''<tr><th>性別：</th><td>男</td></tr><tr>'''
4. #正则表达式获取<tr></tr>之间内容
5. res_tr = r'<tr>(.*?)</tr>'
6. m_tr =  re.findall(res_tr,language,re.S|re.M)
7. for line in m_tr:
8. print line
9. #获取表格第一列th 属性
10. res_th = r'<th>(.*?)</th>'
11. m_th = re.findall(res_th,line,re.S|re.M)
12. for mm in m_th:
13. print unicode(mm,'utf-8'),  #unicode防止乱
14. #获取表格第二列td 属性值
15. res_td = r'<td>(.*?)</td>'
16. m_td = re.findall(res_td,line,re.S|re.M)
17. for nn in m_td:
18. print unicode(nn,'utf-8')

输出如下所示：

1. >>>
2. <th>性別：</th><td>男</td>
3. 性別： 男
4. >>>

python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 搜索string，以列表形式返回全部能匹配的子串。其中RE的常见参数包括：
        re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法）
        re.M(re.MULTILINE): 多行模式，改变'^'和'$'的行为
        re.S(re.DOTALL): 点任意匹配模式，改变'.'的行为

------------------------------------------------------------------------------------------------------------------------------

2.获取超链接<a href=..></a>之间内容

通常在使用正则表达式时，需要分析网页链接，获取URL或网页内容。核心代码如下：
        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)
例子：

1. # coding=utf-8
2. import re
3. content = '''''
4. <td>
5. <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a>
6. <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a>
7. </td>
8. '''
9. #获取<a href></a>之间的内容
10. print u'获取链接文本内容:'
11. res = r'<a .*?>(.*?)</a>'
12. mm =  re.findall(
13. res, content, re.S|re.M)
14. for value in mm:
15. print value
16. #获取所有<a href></a>链接所有内容
17. print u'\n获取完整链接内容:'
18. urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M)
19. for i in urls:
20. print i
21. #获取<a href></a>中的URL
22. print u'\n获取链接中URL:'
23. res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
24. link = re.findall(res_url ,  content, re.I|re.S|re.M)
25. for url in link:
26. print url

输出如下图所示：

1. >>>
2. 获取链接文本内容:
3. 浙江省主题介绍
4. 贵州省主题介绍
5. 获取完整链接内容:
6. <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a>
7. <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a>
8. 获取链接中URL:
9. https://www.baidu.com/articles/zj.html
10. https://www.baidu.com//articles/gz.html
11. >>>

当然如果是通过Selenium分析DOM树结构获取href对应的url或title中的值，其核心代码如下所示，这里主要是给大家做个对比，理解不同方法的优势：
      driver.get(link) 
      elem = driver.find_elements_by_xpath("//div[@class='piclist']/tr/dd[1]")   
      for url in elem:    
            pic_url = url.get_attribute("href")    
            print pic_url
参考文章：[python爬虫] Selenium定向爬取虎扑篮球海量精美图片

------------------------------------------------------------------------------------------------------------------------------

3.获取URL最后一个参数命名图片或传递参数

通常在使用Python爬取图片过程中，会遇到图片对应的URL最后一个字段通常用于命名图片，如虎扑孙悦妻子图片：

        http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg
此时需要通过该URL的"/"后面的参数命名图片，则方法如下：

1. urls = "http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg"
2. values = urls.split('/')[-1]
3. print values

输出如下所示：

1. >>>
2. BbsImg141568417848931_640*640.jpg
3. >>>

在使用Python获取GET方法的URL链接中，还可能存在传递参数的值。
此时获取参数方法如下：

1. url = 'http://localhost/test.py?a=hello&b=world'
2. values = url.split('?')[-1]
3. print values
4. for key_value in values.split('&'):
5. print key_value.split('=')

输出如下所示：

1. >>>
2. a=hello&b=world
3. ['a', 'hello']
4. ['b', 'world']
5. >>>

------------------------------------------------------------------------------------------------------------------------------

4.爬取网页中所有URL链接

在学习爬虫过程中，你肯定需要从固有网页中爬取URL链接，再进行下一步的循环爬取或URL抓取。如下，爬取CSDN首页的所有URL链接。

1. # coding=utf-8
2. import re
3. import urllib
4. url = "http://www.csdn.net/"
5. content = urllib.urlopen(url).read()
6. urls = re.findall(r"<a.*?href=.*?<\/a>", content, re.I)
7. for url in urls:
8. print unicode(url,'utf-8')
9. link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", content)
10. for url in link_list:
11. print url

输出如下所示：

1. >>>
2. <a href="https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn">登录</a>
3. <a href="http://passport.csdn.net/account/mobileregister?action=mobileRegister">注册</a>
4. <a href="https://passport.csdn.net/help/faq">帮助</a>
5. ...
6. https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn
7. http://passport.csdn.net/account/mobileregister?action=mobileRegister
8. https://passport.csdn.net/help/faq
9. ...
10. >>>

------------------------------------------------------------------------------------------------------------------------------

5.爬取网页标题title两种方法

获取网页标题也是一种常见的爬虫，如我在爬取维基百科国家信息时，就需要爬取网页title。通常位于<html><head><title>标题</title></head></html>中。
下面是爬取CSDN标题的两种方法介绍：

1. # coding=utf-8
2. import re
3. import urllib
4. url = "http://www.csdn.net/"
5. content = urllib.urlopen(url).read()
6. print u'方法一:'
7. title_pat = r'(?<=<title>).*?(?=</title>)'
8. title_ex = re.compile(title_pat,re.M|re.S)
9. title_obj = re.search(title_ex, content)
10. title = title_obj.group()
11. print title
12. print u'方法二:'
13. title = re.findall(r'<title>(.*?)</title>', content)
14. print title[0]

输出如下所示：

1. >>>
2. 方法一:
3. CSDN.NET - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台
4. 方法二:
5. CSDN.NET - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台
6. >>>

------------------------------------------------------------------------------------------------------------------------------

6.定位table位置并爬取属性-属性值

如果使用Python库的一些爬取，通常可以通过DOM树结构进行定位，如代码：
    login = driver.find_element_by_xpath("//form[@id='loginForm']") 
参考文章：[Python爬虫] Selenium实现自动登录163邮箱和Locating Elements介绍

但如果是正则表达式这种相对传统傻瓜式的方法，通过通过find函数寻找指定table方法进行定位。如：获取Infobox的table信息。
通过分析源代码发现“程序设计语言列表”的消息盒如下：
<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>

1. start = content.find(r'<table class="infobox vevent"') #起点记录查询位置
2. end = content.find(r'</table>')
3. infobox = language[start:end]
4. print infobox

print infobox 输出其中一门语言ActionScript的InfoBox消息盒部分源代码如下：

1. <table class="infobox vevent" cellspacing="3" style="border-spacing:3px;width:22em;text-align:left;font-size:small;line-height:1.5em;">
2. <caption class="summary"><b>ActionScript</b></caption>
3. <tr>
4. <th scope="row" style="text-align:left;white-space:nowrap;;;">发行时间</th>
5. <td style=";;">1998年</td>
6. </tr>
7. <tr>
8. <th scope="row" style="text-align:left;white-space:nowrap;;;">实现者</th>
9. <td class="organiser" style=";;"><a href="/wiki/Adobe_Systems" title="Adobe Systems">Adobe Systems</a></td>
10. </tr>
11. <tr>
12. <tr>
13. <th scope="row" style="text-align:left;white-space:nowrap;;;">启发语言</th>
14. <td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td>
15. </tr>
16. </table>

参考文章：[python学习] 简单爬取维基百科程序语言消息盒
然后再在这个infobox内容中通过正则表达式进行分析爬取。下面讲述爬取属性-属性值：
爬取格式如下：
        <table>
                <tr>
                      <th>属性</th>
                      <td>属性值</td>
                </tr>
        </table>
其中th表示加粗处理，td和th中可能存在属性如title、id、type等值；同时<td></td>之间的内容可能存在<a href=..></a>或<span></span>或<br />等值，都需要处理。下面先讲解正则表达式获取td值的例子：
参考：http://bbs.csdn.net/topics/390353859?page=1

1. <table>
2. <tr>
3. <td>序列号</td><td>DEIN3-39CD3-2093J3</td>
4. <td>日期</td><td>2013年1月22日</td>
5. <td>售价</td><td>392.70 元</td>
6. <td>说明</td><td>仅限5用户使用</td>
7. </tr>
8. </table>

Python代码如下：

1. # coding=utf-8
2. import re
3. s = '''''<table>
4. <tr>
5. <td>序列号</td><td>DEIN3-39CD3-2093J3</td>
6. <td>日期</td><td>2013年1月22日</td>
7. <td>售价</td><td>392.70 元</td>
8. <td>说明</td><td>仅限5用户使用</td>
9. </tr>
10. </table>
11. '''
12. res = r'<td>(.*?)</td><td>(.*?)</td>'
13. m = re.findall(res,s,re.S|re.M)
14. for line in m:
15. print unicode(line[0],'utf-8'),unicode(line[1],'utf-8') #unicode防止乱码
16. #输出结果如下：
17. #序列号 DEIN3-39CD3-2093J3
18. #日期 2013年1月22日
19. #售价 392.70 元
20. #说明 仅限5用户使用

如果<td id="">包含该属性则正则表达式为r'<td id=.*?>(.*?)</td>'；同样如果不一定是id属性开头，则可以使用正则表达式r'<td .*?>(.*?)</td>'。

------------------------------------------------------------------------------------------------------------------------------

7.过滤<span></span>等标签

在获取值过程中，通常会存在<span>、<br>、<a href>等标签，下面举个例子过滤。
<td><span class="nickname">(字) 翔宇</span></td>过滤标签<span>核心代码：
    elif "span" in nn: #处理标签<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'),
代码如下，注意print中逗号连接字符串：

1. # coding=utf-8
2. import re
3. language = '''''
4. <table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3">
5. <caption style="text-align: center; font-size: larger;" class="fn"><b>周恩来</b></caption>
6. <tr>
7. <th>性別：</th>
8. <td>男</td>d
9. </tr>
10. <tr>
11. <th>異名：</th>
12. <td><span class="nickname">(字) 翔宇</span></td>
13. </tr>
14. <tr>
15. <th>政黨：</th>
16. <td><span class="org"><a href="../articles/%E4%B8%AD9A.html" title="中国">中国</a></span></td>
17. </tr>
18. <tr>
19. <th>籍貫：</th>
20. <td><a href="../articles/%E6%B5%9981.html" title="浙江省">浙江省</a><a href="../articles/%E7%BB%8D82.html" title="绍兴市">绍兴市</a></td>
21. </tr>
22. </table>
23. '''
24. #获取table中tr值
25. res_tr = r'<tr>(.*?)</tr>'
26. m_tr =  re.findall(res_tr,language,re.S|re.M)
27. for line in m_tr:
28. #获取表格第一列th 属性
29. res_th = r'<th>(.*?)</th>'
30. m_th = re.findall(res_th,line,re.S|re.M)
31. for mm in m_th:
32. if "href" in mm: #如果获取加粗的th中含超链接则处理
33. restr = r'<a href=.*?>(.*?)</a>'
34. h = re.findall(restr,mm,re.S|re.M)
35. print unicode(h[0],'utf-8'), #逗号连接属性值 防止换行
36. else:
37. print unicode(mm,'utf-8'),   #unicode防止乱
38. #获取表格第二列td 属性值
39. res_td = r'<td>(.*?)</td>'  #r'<td .*?>(.*?)</td>'
40. m_td = re.findall(res_td,line,re.S|re.M)
41. for nn in m_td:
42. if "href" in nn: #处理超链接<a href=../rel=..></a>
43. res_value = r'<a .*?>(.*?)</a>'
44. m_value = re.findall(res_value,nn,re.S|re.M)
45. for value in m_value:
46. print unicode(value,'utf-8'),
47. elif "span" in nn: #处理标签<span>
48. res_value = r'<span .*?>(.*?)</span>'
49. m_value = re.findall(res_value,nn,re.S|re.M) #<td><span class="nickname">(字) 翔宇</span></td>
50. for value in m_value:
51. print unicode(value,'utf-8'),
52. else:
53. print unicode(nn,'utf-8'),
54. print ' ' #换行

输出如下所示：

1. >>>
2. 性別： 男
3. 異名： (字) 翔宇
4. 政黨： 中国测试
5. 籍貫： 浙江省 绍兴市
6. >>>

------------------------------------------------------------------------------------------------------------------------------

8.获取<script></script>等标签内容

比如在获取游讯网图库中，图集对应的原图它是存储在script中，其中获取原图-original即可，缩略图-thumb，大图-big，通过正则表达式下载URL：
        res_original = r'"original":"(.*?)"' #原图
        m_original = re.findall(res_original,script)
代码如下：

1. # coding=utf-8
2. import re
3. import os
4. content = '''''
5. <script>var images = [
6. { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
7. "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
8. "original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
9. "title":"","descript":"","id":75109},
10. { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg",
11. "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg",
12. "original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg",
13. "title":"","descript":"","id":75110},
14. </script>
15. '''
16. html_script = r'<script>(.*?)</script>'
17. m_script = re.findall(html_script,content,re.S|re.M)
18. for script in m_script:
19. res_original = r'"original":"(.*?)"' #原图
20. m_original = re.findall(res_original,script)
21. for pic_url in m_original:
22. print pic_url
23. filename = os.path.basename(pic_url) #去掉目录路径,返回文件名
24. urllib.urlretrieve(pic_url, 'E:\\'+filename) #下载图片

运行结果如下图所示，同时下载图片至E盘。
参考文章： [python学习] 简单爬取图片网站图库中图片

------------------------------------------------------------------------------------------------------------------------------

9.通过replace过滤<br />标签

在获取值过程中，通常会存<br />标签，它表示HTML换行的意思。常用的方法可以通过标签'<'和'>'进行过滤，但是这里我想讲述的是一种Python常用的过滤方法，在处理中文乱码或一些特殊字符时，可以使用函数replace过滤掉这些字符。核心代码如下：
    if '<br />' in value:
        value = value.replace('<br />','')   #过滤该标签
        value = value.replace('\n',' ')         #换行空格替代 否则总换行
例如过滤前后的例子：
達洪阿 異名： (字) 厚菴<br /> (諡) 武壯<br /> (勇號) 阿克達春巴圖魯
達洪阿 異名： (字) 厚菴 (諡) 武壯 (勇號) 阿克達春巴圖魯

------------------------------------------------------------------------------------------------------------------------------

10.获取<img ../>中超链接及过滤<img>标签

在获取值属性值过程中，可能在分析table/tr/th/td标签后，仍然存在<img />图片链接，此时在获取文字内容时，你可能需要过滤掉这些<img>标签。这里采用的方法如下：
        value = re.sub('<[^>]+>','', value)
例如：

1. #encoding:utf-8
2. import os
3. import re
4. value = '''''
5. <table class="infobox" style="width: 21em; text-align: left;" cellpadding="3">
6. <tr bgcolor="#CDDBE8">
7. <th colspan="2">
8. <center class="role"><b>中華民國政治人士</b><br /></center>
9. </th>
10. </tr>
11. <tr>
12. <th>性別：</th>
13. <td>男</td>
14. </tr>
15. <tr>
16. <th>政黨：</th>
17. <td><span class="org">
18. <img alt="中國國民黨" src="../../../../images/Kuomintang.svg.png" width="19" height="19" border="0" />
19. <a href="../../../../articles/%8B%E6%B0%91%E9%BB%A8.html" title="中國國民黨">中國國民黨</a></span></td>
20. </tr>
21. </table>
22. '''
23. value = re.sub('<[^>]+>','', value) #过滤HTML标签
24. print value

输出如下：

1. >>>
2. 中華民國政治人士
3. 性別：
4. 男
5. 政黨：
6. 中國國民黨
7. >>>

虽然仅仅包括汉字，但是中间会存在换行，需要过滤<br />即可：

1. if '<br />' in value:
2. value = value.replace('<br />','')
3. value = value.replace('\n',' ')
4. value = re.sub('<[^>]+>','', value) #过滤HTML标签
5. print value
6. #输出仅仅一行如下：
7. #中華民國政治人士    性別： 男   政黨：   中國國民黨

下面讲述第二部分，通过正则表达式获取<img>中的src超链接，代码如下：

1. test = '''''<img alt="中國國民黨" src="../images/Kuomintang.png" width="19" height="19" border="0" />'''
2. print re.findall('src="(.*?)"',test)

输出如下所示：

1. >>>
2. ['../images/Kuomintang.png']
3. >>>

findall函数返回的总是正则表达式在字符串中所有匹配结果的列表，即findall中返回列表中每个元素包含的信息。

最后希望文章对你有所帮助，后面如果遇到新的相关知识，我也会即使的更新添加的。
(By：Eastmount 2016-04-07 清晨6点  http://blog.csdn.net/eastmount/)