正则表达式拆分

import re

# 1.拆分字符串

one = 'asdsfsgsh'

# 标准 是 s 为拆分

pattern = re.compile('s')

result = pattern.split(one)

# print(result)

# 2.匹配中文

two = '<a href="https://www.baidu.com/" nslog="normal" nslog-type="10600112" data-href="https://www.baidu.com/s?ie=utf-8&amp;fr=bks0000&amp;wd=">网页是最新版本的,适配移动端</a>'

# python中 匹配中问 [a-z] unicode的范围 * + ?

pattern = re.compile('[\u4e00-\u9fa5]+')

result = pattern.findall(two)

print(result)
import re

import requests

url = 'http://news.baidu.com/'

headers = {

    "User-Agent": 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

}

# response.text 不太准确 转码 是靠推测

data = requests.get(url, headers=headers).content.decode()

# 正则解析 数据

#  每个新闻的titile, url

# <a href="http://news.cnr.cn/native/gd/20181028/t20181028_524397644.shtml" target="_blank" mon="r=1">民营经济再吃定心丸,民企当体会怎样深意</a>

pattern = re.compile('<a href="(.*?)" target="_blank" mon="(.*?)">(.*?)</a>')

# pattern = re.compile('<a (.*?)</a>',re.S)

result = pattern.findall(data)

print(result)

# with open('02news.html', 'w') as f:

#     f.write(data)
xpath解析
import re

import requests

# 安装支持 解析html和XML的解析库 lxml

# pip install lxml

from lxml import etree

url = 'http://news.baidu.com/'

headers = {

    "User-Agent": 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

}

# response.text 不太准确 转码 是靠推测

data = requests.get(url, headers=headers).content.decode()

# 1.转解析类型

xpath_data = etree.HTML(data)

# xpath 语法 1. 节点 /

#            2. 跨节点: //

#            3. 精确的标签: //a[@属性="属性值"]

#            4. 标签包裹的内容 text()

#            5. 属性:@href

#              xpath--s数据类型---list

# 2调用 xpath的方法

result = xpath_data.xpath('/html/head/title//text()')

result = xpath_data.xpath('//a/text()')

result = xpath_data.xpath('//a[@mon="ct=1&a=2&c=top&pn=18"]/text()')

result = xpath_data.xpath('//a[@mon="ct=1&a=2&c=top&pn=18"]/@href')

result = xpath_data.xpath('//li/a/text()')

print(result)

# with open('02news.html', 'w') as f:

#     f.write(data)

注意事项

from  lxml import etree

html = """

    <html>

    <body>

    <ul>

     <li>1

         <a href="">子</a>

     </li>

     <li>2

        <a href="">子</a>

     </li>

     <li>3

        <a href="">子</a>

     </li>

     <li>4

         <a href="">子</a>

     </li>

     <li>5

        <a href="">子</a>

     </li>

 </ul>

 </body>

 </html>

"""

# 1.转类型

x_data = etree.HTML(html)

# 2.xpath 下标 是从 1开始; 只能取 平级关系的标签

result = x_data.xpath('//li[5]/text()')

result = x_data.xpath('/html/body/ul/li/a/text()')

result = x_data.xpath('//a[2]')

print(result)

拆分实例

import requests

from lxml import etree

import json

class BtcSpider(object):

    def __init__(self):

        self.base_url = 'http://8btc.com/forum-61-'

        self.headers = {

            "User-Agent": 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

        }

        self.data_list = []

    # 1.发请求

    def get_response(self, url):

        response = requests.get(url, headers=self.headers)

        # 网页的 编码到底 是 gbk 还是 urf-8  head--meta-charset=""

        # 原因 是 抓取 网页的 编码 就是 gbk的 所以 解码的时候 也是要gbk

        # data = response.content.decode('gbk')

        data = response.content

        return data

    # 2.解析数据

    def parse_data(self, data):

        # 使用xpath 解析当前页面 所有的 新闻title 和url 保存

        # 1.转类型

        x_data = etree.HTML(data)

        # 2.根据xpath路径解析

        # 路径 1. 纯手写  2. 借助浏览器的 右击 粘贴xpath路径; 需要修改

        title_list = x_data.xpath('//a[@class="s xst"]/text()')

        # title_list = x_data.xpath('//form[@id="moderate"]/div/div[2]/div/a[@class="s xst"]/text()')

        url_list = x_data.xpath('//a[@class="s xst"]/@href')

        for index, title in enumerate(title_list):

            news = {}

            # print(index)

            # print(title)

            news['name'] = title

            news['url'] = url_list[index]

            self.data_list.append(news)

    # 3.保存数据

    def save_data(self):

        # 将 list---str

        data_str = json.dumps(self.data_list)

        with open('05btc.json', 'w') as f:

            f.write(data_str)

    # 4.启动

    def run(self):

        for i in range(1, 5):

            # 1.拼接 完整url

            url = self.base_url + str(i) + '.html'

            print(url)

            # 2.发请求

            data = self.get_response(url)

            # 3.做解析

            self.parse_data(data)

        # 4.保存

        self.save_data()

BtcSpider().run()

解析数据(正则,xpath)的更多相关文章

  1. 爬虫的三种解析方式(正则解析, xpath解析, bs4解析)

    一 : 正则解析 : 常用正则回顾: 单字符: . : 除换行符以外的所有字符 [] : [aoe] [a-w] 匹配集合中任意一个字符 \d : 数字 [0-9] \D : 非数字 \w : 非数字 ...

  2. 爬虫系列二(数据清洗--->xpath解析数据)

    一 xpath介绍 XPath 是一门在 XML 文档中查找信息的语言.XPath 用于在 XML 文档中通过元素和属性进行导航. XPath 使用路径表达式在 XML 文档中进行导航 XPath 包 ...

  3. xpath解析数据

    xpath解析数据 """ xpath 也是一种用于解析xml文档数据的方式 xml path w3c xpath搜索用法 在 XPath 中,有七种类型的节点:元素.属 ...

  4. 爬虫——网页解析利器--re & xpath

    正则解析模块re re模块使用流程 方法一 r_list=re.findall('正则表达式',html,re.S) 方法二  创建正则编译对象 pattern = re.compile('正则表达式 ...

  5. python爬虫---爬虫的数据解析的流程和解析数据的几种方式

    python爬虫---爬虫的数据解析的流程和解析数据的几种方式 一丶爬虫数据解析 概念:将一整张页面中的局部数据进行提取/解析 作用:用来实现聚焦爬虫的吧 实现方式: 正则 (针对字符串) bs4 x ...

  6. 《爬虫学习》（四）（使用lxml,bs4库以及正则表达式解析数据）

    1.XPath: XPath(XML Path Language)是一门在XML和HTML文档中查找信息的语言,可用来在XML和HTML文档中对元素和属性进行遍历. 工具:扩展商店里搜索:XPath ...

  7. python网络爬虫之解析网页的XPath(爬取Path职位信息)[三]

    目录 前言 XPath的使用方法 XPath爬取数据 后言 @(目录) 前言 本章同样是解析网页,不过使用的解析技术为XPath. 相对于之前的BeautifulSoup,我感觉还行,也是一个比较常用 ...

  8. scrapy架构与目录介绍、scrapy解析数据、配置相关、全站爬取cnblogs数据、存储数据、爬虫中间件、加代理、加header、集成selenium

    今日内容概要 scrapy架构和目录介绍 scrapy解析数据 setting中相关配置 全站爬取cnblgos文章 存储数据 爬虫中间件和下载中间件 加代理,加header,集成selenium 内 ...

  9. Android之三种网络请求解析数据(最佳案例)

    AsyncTask解析数据 AsyncTask主要用来更新UI线程,比较耗时的操作可以在AsyncTask中使用. AsyncTask是个抽象类,使用时需要继承这个类,然后调用execute()方法. ...

随机推荐

  1. Android 长按识别图中二维码 zxing

    #基于 Zxing, 初学Android 代码质量不高 //长按,通过zxing读取图片,判断是否有二维码 bigImage.setOnLongClickListener(new View.OnLon ...

  2. stm8s103调试注意点

    外设时钟的配置,有次ADC就是不工作,查问题查了很久,总是怀疑ADC配置问题,然后利用库函数的例程,发现就可以,最后发现,外设时钟没开启,外设时钟如下配置 CLK->PCKENR1 = 0x00 ...

  3. 记录sql执行顺序

    SQL 语句执行顺序为: FROM WHERE GROUP BY HAVING SELECT DISTINCT UNION ORDER BY 关于 SQL 语句的执行顺序,有三个值得我们注意的地方: ...

  4. [实验楼]python11期--NO.1（未完成）

    tuple 是 Python 的一种不可变数据类型,用于列表数据一旦初始化就不会再修改的场景.tuple 只能通过位置索引去访问里面的元素,但有时候我们需要给每个元素取个别名,以便通过别名去获取对应的 ...

  5. node——Commonjs

    ECMA只规范了js最近的一些能力,并没有规范当要用js写一个庞大的项目如果使用模块化开发. CommonJS规范了当我们想开发大型程序的时候如何模块化来开发,以及模块化的时候,不同文件的通讯. Co ...

  6. Python笔记26----正则表达式匹配

    1.语法: 2.题目1:数据类型: 如果要选择 time 为2014-12-18那天的数据:采用正则化来处理 代码:   import re regex = re.compile(r'^2014-12 ...

  7. faker smtp server

    import os import asyncio import logging import base64 from email import message_from_bytes from emai ...

  8. shell脚本杀死某个服务的进程

    摘抄如下: 新建sh结尾的文件内容如下: NAME=$1echo $NAMEID=`ps -ef | grep "$NAME" | grep -v "$0" | ...

  9. UVALive-8072 Keeping On Track 树形dp 联通块之间缺失边的个数

    题目链接:https://cn.vjudge.net/problem/UVALive-8072 题意 给出n+1个点和n条边,每对点之间只能存在一条边. 现在要找出一个节点,使得去掉这个点后,所剩每对 ...

  10. 模板 FFT 快速傅里叶变换

    FFT模板,原理不难,优质讲解很多,但证明很难看太不懂 这模板题在bzoj竟然是土豪题,服了 #include <cmath> #include <cstdio> #inclu ...