Python爬虫之使用正则表达式抓取数据

匹配标签

匹配title标签

a标签

table标签

相关文章：Linux中的正则表达式

实例：

匹配标签

匹配title标签

匹配网页的 <title></title> 标签，也就是网页的标题。 .*？就是匹配1个或多个字符，也就是这里不能是空的。当加入括号的话，就是代表取值了 (.*?)

import re

import requests

resp=requests.get("http://www.baidu.com")

resp.encoding="utf-8"  #设置编码格式为utf-8

html=resp.text

title=re.findall(r'<title>.*?</title>',html)  #匹配 <title></title>

for t in title:

    print(t)

title_value=re.findall(r'<title>(.*?)</title>',html)  #匹配 <title></title>里面的内容

for t in title_value:

    print(t)

#####################################################################

<title>百度一下，你就知道</title>

百度一下，你就知道

a标签

匹配<a href="" ></a> ，并且获取a标签里面的内容

import re

import requests

resp=requests.get("http://www.baidu.com")

resp.encoding="utf-8"  #设置编码格式为utf-8

html=resp.text  

urls = re.findall(r"<a.*?>.*?<\/a>", html)   #匹配所有的a标签

for u in urls:

    print(u)

texts = re.findall(r"<a.*?>(.*?)</a>", html)   #获取超链接<a>和</a>之间内容

for t in texts:

    print(t)

#######################################################################################

<a href=http://news.baidu.com name=tj_trnews class=mnav>新闻</a>

<a href=http://www.hao123.com name=tj_trhao123 class=mnav>hao123</a>

<a href=http://map.baidu.com name=tj_trmap class=mnav>地图</a>

<a href=http://v.baidu.com name=tj_trvideo class=mnav>视频</a>

<a href=http://tieba.baidu.com name=tj_trtieba class=mnav>贴吧</a>

<a href=http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>登录</a>

<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">登录</a>

<a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">更多产品</a>

<a href=http://home.baidu.com>关于百度</a>

<a href=http://ir.baidu.com>About Baidu</a>

<a href=http://www.baidu.com/duty/>使用百度前必读</a>

<a href=http://jianyi.baidu.com/ class=cp-feedback>意见反馈</a>

新闻

hao123

地图

视频

贴吧

登录

登录

更多产品

关于百度

About Baidu

使用百度前必读

意见反馈

table标签

抓取 <table></table> 表格中的内容。

假设现在有这么一个网页

<html>

<table class="table">

            <tr>

                <th>姓名</th>

                <th>性别</th>

            </tr>

            <tr>

                <td>小谢</td>

                <td>男</td>

            </tr>

            <tr>

                <td>小红</td>

                <td>女</td>

            </tr>

</table>

</html>

匹配代码

import re

import requests

resp=requests.get("http://127.0.0.1/1.html")

resp.encoding="utf-8"  #设置编码格式为utf-8

html=resp.text  

#匹配table标签

tables=re.findall(r"<table.*?>.*?<\/table>",html,re.M|re.S)

for table in tables:

    print(table)

#匹配<tr></tr>之间的内容

trs=re.findall(r"<tr>(.*?)</tr>",html,re.S|re.M) #因为<tr>标签大多数不是在同一行，所以要加 re.S和re.M多行匹配

for tr in trs:

    print(tr)

#匹配<th></th>之间的内容

for row in trs:

    ths=re.findall(r"<th>(.*?)</th>",row,re.S|re.M)

    for th in ths:

        print(th)

#匹配<td></td>之间的内容

for row in trs:

    tds=re.findall(r"<td>(.*?)</td>",row,re.S|re.M)

    for td in tds:

        print(td)

##################################################################################

<table class="table">

            <tr>

                <th>姓名</th>

                <th>性别</th>

            </tr>

            <tr>

                <td><B>小谢</B></td>

                <td>男<br/></td>

            </tr>

            <tr>

                <td><B>小红</B></td>

                <td>女<br/></td>

            </tr>

</table>

                <th>姓名</th>

                <th>性别</th>

                <td>小谢</td>

                <td>男</td>

                <td>小红</td>

                <td>女</td>

姓名

性别

小谢

男

小红

女

匹配标签里面的属性

匹配a标签里面的URL

假如现在有网页

<html>

	<a href="http://www.baidu.com">百度一下，你就知道</a>

	<a href="http://www.mi.com">小米官网</a>

</html>

import re

import requests

resp=requests.get("http://127.0.0.1/1.html")

resp.encoding="utf-8"  #设置编码格式为utf-8

html=resp.text  

urls=re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')",html,re.I|re.S|re.M)  #匹配 href=""

for url in urls:

    print(url)

###################################################################################

http://www.baidu.com

http://www.mi.com

匹配img标签里的 src

加入现在有网页

<html>

	<img src="http://t1.27270.com/uploads/tu/201811/310/f3e9db6b68.jpg"  name="美女"/>

	<img src="http://t1.27270.com/uploads/tu/201811/229/ea7fda100e.jpg" />

</html>

匹配代码：

import re

import requests

resp=requests.get("http://127.0.0.1/1.html")

resp.encoding="utf-8"  #设置编码格式为utf-8

html=resp.text  

srcs=re.findall(r'src="(.*?)"',html,re.I|re.S|re.M)

for src in srcs:

    print(src)

##################################################################

http://t1.27270.com/uploads/tu/201811/310/f3e9db6b68.jpg

http://t1.27270.com/uploads/tu/201811/229/ea7fda100e.jpg

#假如要获取图片的名字，也就是上面的 f3e9db6b68.jpg 或者  ea7fda100e.jpg

import re

import requests

resp=requests.get("http://127.0.0.1/1.html")

resp.encoding="utf-8"  #设置编码格式为utf-8

html=resp.text  

srcs=re.findall(r'src="(.*?)"',html,re.I|re.S|re.M)

for src in srcs:

    name=src.split("/")[-1]

    print(name)

##################################################################

f3e9db6b68.jpg

ea7fda100e.jpg

Python爬虫之使用正则表达式抓取数据的更多相关文章

Python爬虫之requests+正则表达式抓取猫眼电影top100以及瓜子二手网二手车信息(四)
requests+正则表达式抓取猫眼电影top100 一.首先我们先分析下网页结构可以看到第一页的URL和第二页的URL的区别在于offset的值,第一页为0,第二页为10,以此类推. 二.< ...
iOS开发——网络使用技术OC篇&网络爬虫－使用正则表达式抓取网络数据
网络爬虫-使用正则表达式抓取网络数据关于网络数据抓取不仅仅在iOS开发中有,其他开发中也有,也叫网络爬虫,大致分为两种方式实现 1:正则表达 2:利用其他语言的工具包:java/Python 先来看 ...
Python爬虫实战六之抓取爱问知识人问题并保存至数据库
大家好,本次为大家带来的是抓取爱问知识人的问题并将问题和答案保存到数据库的方法,涉及的内容包括: Urllib的用法及异常处理 Beautiful Soup的简单应用 MySQLdb的基础用法正则表 ...
分布式爬虫：使用Scrapy抓取数据
分布式爬虫:使用Scrapy抓取数据 Scrapy是Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据.Scrapy用途广泛,可以用于数据挖掘. ...
一次Python爬虫的修改，抓取淘宝MM照片
这篇文章是2016-3-2写的,时隔一年了,淘宝的验证机制也有了改变.代码不一定有效,保留着作为一种代码学习. 崔大哥这有篇>>小白爬虫第一弹之抓取妹子图不失为学python爬虫的绝佳教 ...
Python爬虫实战四之抓取淘宝MM照片
原文:Python爬虫实战四之抓取淘宝MM照片其实还有好多,大家可以看 Python爬虫学习系列教程福利啊福利,本次为大家带来的项目是抓取淘宝MM照片并保存起来,大家有没有很激动呢? 本篇目标 1. ...
[Python爬虫] 之四：Selenium 抓取微博数据
抓取代码: # coding=utf-8import osimport refrom selenium import webdriverimport selenium.webdriver.suppor ...
Python爬虫之三种网页抓取方法性能比较
下面我们将介绍三种抓取网页数据的方法,首先是正则表达式,然后是流行的 BeautifulSoup 模块,最后是强大的 lxml 模块. 1. 正则表达式如果你对正则表达式还不熟悉,或是需要一些提 ...
python爬虫beta版之抓取知乎单页面回答（low 逼版）
闲着无聊,逛知乎.发现想找点有意思的回答也不容易,就想说要不写个爬虫帮我把点赞数最多的给我搞下来方便阅读,也许还能做做数据分析(意淫中--) 鉴于之前用python写爬虫,帮运营人员抓取过京东的商品品 ...

随机推荐

WPF 基础 - DataTemplate 和 ControlTemplate 的关系和应用
1. 关系凡是 Template,最后都得作用到控件上,这个控件就是 Template 的目标控件(也称模板化控件): DataTemplate 一般是落实在一个 ContentPresente ...
idea配置struts2.5环境
struts2不是struts1的下一代产品,是在struts1和WebWork技术的基础上进行合并后的全新框架,虽然两个名字相似,但是设计思想却有很大的不同. 使用本地的l ib 或者downloa ...
docker配置私有镜像仓库-registry和hyper/docker-registry-web
1.前言️ Docker hub是远程仓库,是国外的,push pull速度特别慢,尤其是网速不好的时候,页面都点不进去,官网但是可以配置阿里云镜像加速哦: 因此搭建一个私有的镜像仓库用于管理我们 ...
2017算法期末复习练习赛-G Beihang Couple Pairing Comunity 2017 题解（网络流）
理解不够透彻.好题不可浪费,写题解以增进理解.会陆续补充题目.(咕咕咕) G Beihang Couple Pairing Comunity 2017 题目链接 Beihang Couple Pair ...
2019 GDUT Rating Contest II : Problem B. Hoofball
题面: 传送门 B. Hoofball Input ﬁle: standard input Output ﬁle: standard output Time limit: 5 second Memor ...
你真的懂 i++ 和 ++i 吗？
对于 ++i 和 i++,许多人可能都知道,不就是先加1再取值,和先取值再加1嘛.然而,真的是这样吗?请先看以下4道题,能全部答对可以忽略这篇文章. 题目 // 示例1 int i = 1; i = ...
ch2_8_4求解投骰子游戏问题
思路:递推.到第n步可以从第0步走n步到第n步,从第1步走n-1步到第n步... ...依次类推,=> f(n)=f(0)+f(1)+...+f(n-1) import java.util.Sc ...
生成元(JAVA语言)
package 第三章; import java.util.Scanner; public class 生成元 { public static void main(String[] args) { / ...
Linux系统浮动IP的配置
什么是浮动IP,为什么要配置浮动IP 首先说一下为什么要配置浮动IP. 原文链接:https://blog.csdn.net/readiay/article/details/53538085 现在有一 ...
JAVA题目：小芳的妈妈每天给她2.5元，她都会存起来，但是，每当这一天是存钱的第五题或者5的倍数的话，她都会去用掉6块钱。问：至少经过多少天可以存到100块？
1 /*题目:小芳的妈妈每天给她2.5元,她都会存起来, 2 但是,每当这一天是存钱的第五题或者5的倍数的话, 3 她都会去用掉6块钱. 4 问:至少经过多少天可以存到100块? 5 */ 6 /*分 ...

Python爬虫之使用正则表达式抓取数据

匹配标签

匹配title标签

a标签

table标签

匹配标签里面的属性

匹配a标签里面的URL

匹配img标签里的 src

Python爬虫之使用正则表达式抓取数据的更多相关文章

随机推荐

热门专题