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. UVa 11549 Open Credit System

    题意:给出n个数,找出两个整数a[i],a[j](i < j),使得a[i] - a[j]尽量大 从小到大枚举j,在这个过程中维护a[i]的最大值 maxai晚于ans更新, 可以看这个例子 1 ...

  2. servlet实现定时刷新功能

    1,继承httpservlet类重写doget个dopost方法 2,发送头消息 response.setHeader("refresh","间隔秒数:url=目标地址& ...

  3. Maven private reprository 更新

    maven对构件的更新判断基本上是两种,一种是稳定版本,一种是maven特有的SNAPSHOT版本. 稳定版本很好判断,直接根据maven构件的坐标体系就能够获得.先从本地仓库中找,如果本地仓库没有, ...

  4. BZOJ 2402 陶陶的难题II (01分数规划+树剖+线段树+凸包+二分)

    题目大意:略 一定范围内求最大值,考虑二分答案 设现在选择的答案是$mid$,$max \left \{ \frac{yi+qj}{xi+pj} \right \} \geq mid $ 展开可得,$ ...

  5. vue 删除某个元素和删除某些元素

    今天做项目使用前端vue框架,需要循环遍历去删除一些数组元素.开始思想局限,一直纠结如何去循环删除,犹豫循环删除数组值下标会发生变化,并不是一种好的方法. 方法一:使用forEach 和 splice ...

  6. linux下wps的字体缺失解决方法

    可以参考Mr.Liang 说明:当安装好wps for linux,然后打开wps会提示字体缺失,可做如下操作: 1.下载wps缺失字体(资源侵权联系我删除) 2.解压 unzip -d ./wps_ ...

  7. Windows 10快速在指定目录打开命令行

    一.我们在想要到达的目录上按住shift键并点击鼠标右键.看到了吗,这时候在弹出菜单里多了一个选项,就是"在此处打开命令窗口",我们点开看一下. 二.不过有时候我们需要以管理员的权 ...

  8. myeclipse如何取消某一个文件的校验

  9. List<T>与List<?>的区别

    T 代表某一类型 ? 代表任意类型.. T因为代表是某一确定类型..所以你可以使用它..比如你有个List<T>类型的变量tList 你可以用T t = tList.get(1);也可以用 ...

  10. java内存管理之内存模型

    1,运行时数据区域 1. 程序计数器 (program counter register) 2. Java虚拟机栈 (jvm stack) 3. 本地方法栈 (native method stack) ...