python爬虫教程

2.1第一个爬虫

python有两种导入模块的方法，分别如下

import urllib.request在程序中就要使用urllib.request.urlopen(url)来调用模块中的函数
from urllib import request在程序中使用request.urlopen(url)（和上面的对比没有urllib）

代码解释

request.urlopen(url)：获取网页中的数据，输出内容为<http.client.HTTPResponse object at 0x00000209C849B8E0>
read()：读取网页中的数据，他们是网页html代码。

#import urllib.request
from urllib import request

url = r"http://www.baidu.com/"

# 发送请示，获取响应信息
## read() 读写信息
#reponse = urllib.request.urlopen(url).read()
reponse = request.urlopen(url).read()

print(reponse)

2.2中文处理

decode()解码：会把获取的数据转换成中文
encode()编码：str转bytes，字符串转字节

from urllib import request

url = r"http://www.baidu.com/"

reponse = request.urlopen(url).read()
print(type(reponse))

reponse = request.urlopen(url).read().decode()
print(type(reponse))

2.2.1输出获取的html代码

from urllib import request

url = r"http://www.baidu.com/"

reponse = request.urlopen(url).read()
print((reponse))

reponse = request.urlopen(url).read().decode()
print((reponse))

如下图，代码中会出现中文

2.2.2数据清洗

通过正则表达式进行数据清洗re.findall("需要清晰的数据", 获取到的网页html代码)，在使用前在代码开头调用import re模块

"<title>(.*?)</title>"括号中的内容会被保留下来，其余的内容会被去掉

from urllib import request
import re #进行数据清洗要导入此模块

url = r"http://www.baidu.com/"

reponse = request.urlopen(url).read().decode()

# 通过正则表达式进行数据清洗
data = re.findall("<title>(.*?)</title>", reponse)
print((data))

输出内容如下：

['百度一下，你就知道']

2.3自定义请求

通过request.Request()创建自定义请求对象，输出内容为<urllib.request.Request object at0x0000024194337C40>
注意：data是一个列表对象

from urllib import request
import re

url = r"http://www.baidu.com/"

# 创建自定义请求对象
req = request.Request(url)
reponse = request.urlopen(req).read().decode()

pat = r"<title>(.*?)</title>"

# 通过正则表达式进行数据清洗
data = re.findall(pat, reponse)
print((data))

# data是一个列表对象
print(type(data))
print((data[0]))

代码输出：

['百度一下，你就知道']
<class 'list'>
百度一下，你就知道

2.4伪装浏览器原理

反爬虫机制：

判断用户是否是浏览器访问
可能通过伪装浏览器进行访问

2.5伪装浏览器的爬虫

如图，点击【网络】-搜索【user-Agent】获取电脑端的网络头

from urllib import request
import re

url = r"http://www.baidu.com/"

# 创建自定义请求对象，反爬虫机制
req = request.Request(url)

# 构造请求头信息
header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"}
reponse = request.urlopen(req).read().decode()

pat = r"<title>(.*?)</title>"

# 通过正则表达式进行数据清洗
data = re.findall(pat, reponse)
print((data))

# data是一个列表对象
print(type(data))
print((data[0]))

以上代码运行效果如下：

当把上面的代码改为手机版的User-Agent：

header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"}

运行效果就会改变，如下图：

手机User-Agent大全（Android爬虫）

2.6添加多个UserAgent

在短时间内对一个网站多次发送请求，对方的网站会怀疑这是一个爬虫程序。所以要在程序中多设置几个UserAgent（请求头）

import imp
from urllib import request
import re
import random

url = r"http://www.baidu.com/"

# 创建自定义请求对象，反爬虫机制
req = request.Request(url)

# 创建多个请求头到列表中
list1 = ["Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47","Mozilla/5.0 (Linux; Android 9; MI 6 Build/PKQ1.190118.001; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/76.0.3809.89 Mobile Safari/537.36 T7/11.20 SP-engine/2.16.0 baiduboxapp/11.20.2.3 (Baidu; P1 9)","Mozilla/5.0 (Linux; Android 10; EVR-AL00 Build/HUAWEIEVR-AL00; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/74.0.3729.186 Mobile Safari/537.36 baiduboxapp/11.0.5.12 (Baidu; P1 10)","Mozilla/5.0 (Linux; Android 8.1.0; PBAM00 Build/OPM1.171019.026; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/76.0.3809.89 Mobile Safari/537.36 T7/11.20 SP-engine/2.16.0 baiduboxapp/11.20.0.14 (Baidu; P1 8.1.0) NABar/2.0","Mozilla/5.0 (Linux; Android 10; HMA-AL00 Build/HUAWEIHMA-AL00; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/66.0.3359.126 MQQBrowser/6.2 TBS/045130 Mobile Safari/537.36 MMWEBID/6002 MicroMessenger/7.0.12.1620(0x27000C36) Process/tools NetType/WIFI Language/zh_CN ABI/arm64"]

# 构造请求头信息，通过随机函数使用UserAgent
header = {"User-Agent": random.choice(list1)}

# 默认是以headers
req = request.Request(url, headers=header)
reponse = request.urlopen(req).read().decode()

pat = r"<title>(.*?)</title>"

# 通过正则表达式进行数据清洗
data = re.findall(pat, reponse)
print((data))

# data是一个列表对象
print(type(data))
print((data[0]))

2.7自定义opener

from urllib import request

# 构建处理器对象（专门处理http请求的对象）
http_hander = request.HTTPHandler()

# 创建自定义opener
opener = request.build_opener(http_hander)

# 创建自定义请求对象
req = request.Request("http://baidu.com")

# 发送请求，获取响应
opener.open(req) 

print(open)

2.8设置opener为全局

from urllib import request

# 构建处理器对象（专门处理http请求的对象）
http_hander = request.HTTPHandler()

# 创建自定义opener
opener = request.build_opener(http_hander)

# 创建自定义请求对象
req = request.Request("http://baidu.com")

# 发送请求，获取响应
#reponse = opener.open(req).read()

# 把自定义opener设置为全局，这样用urlopen发送的请求也会被自定义的opener
request.install_opener(opener)

reponse = request.urlopen(req).read()
print(reponse)

2.9使用代理ip

反爬虫机制2：判断请求来源的ip地址是否一直重复请求，如果一直是同一ip请求就是爬虫
措施：使用代理ip，可以百度搜索“代理ip”，将不同的ip放入列表中proxylist = [{"http","223.82.60.202:8060"}]，有些代理ip可能不能使用，所以代理ip越多越好。

import imp
from urllib import request
import random
from weakref import proxy
proxylist = [
    {"http","223.82.60.202:8060"},
    {"http","223.82.60.202:8060"},
    {"http","223.82.60.202:8060"},
    {"http","223.82.60.202:8060"},
    {"http","223.82.60.202:8060"},
]

proxylist = random.choice(proxylist)

# 构建代理处理器对象
proxyHandler = request.ProxyHandler(proxy)

# 创建自定义opener
opener = request.build_opener(proxyHandler)

# 创建请求对象
req = request.Request("http://www.baidu.com")

opener.open(req)

res = opener.open(req)

print(res.read())

2.11处理get请求

urllib.parse.urlencode(text)text是英文网址原样不变，如果text是中文就会转换成英文的。

from urllib import request
import urllib

url = "https://cn.bing.com/search?"
wd = {"q":"飞沙"}

# 构造url编码
wdd = urllib.parse.urlencode(wd)
url = url + wdd
print(url+"\n")

req = request.Request(url)
request = request.urlopen(req).read().decode()
print(request)

2.12实战-贴吧爬虫

观察页面的链接

第一页：https://tieba.baidu.com/f?ie=utf-8&kw=python&fr=search
第二页：https://tieba.baidu.com/f?kw=python&ie=utf-8&pn=50
第三页：https://tieba.baidu.com/f?kw=python&ie=utf-8&pn=100
第四页：https://tieba.baidu.com/f?kw=python&ie=utf-8&pn=150

from urllib import request
import urllib
import time

# 构造请求头信息
header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"}

# 下载html代码
def loadpage(fullurl, filename):
    print("\n正在下载：", filename)

    # 请求网页html代码
    req = request.Request(fullurl, headers = header)
    resp = request.urlopen(req).read()
    return resp

# 写入文件
## html：获取的html网页代码
## filename：创建的文件名称
def writepage(html,filename):
    print("正在保存", filename)
    #wb表示二进制文件格式写入filename文件中
    with open(filename, "wb") as f: 
        f.write(html)

def tiebaSpaider(url, begin, end):
    # 获取第1~5页
    for page in range(begin, end+1):
        # 每次请求的完整url
        fullurl =url+str((page-1)*50)
        filename = "C:/Users/MrFlySand/Desktop/testPy/"+str(page)+"页.html"
        
        html = loadpage(fullurl, filename)# 调用爬虫爬取网页
        writepage(html,filename)# 把获取的网页信息写入本地
        
if __name__ == "__main__":
    kw = input("请输入贴吧名称：")
    begin = int(input("请输入起始页："))
    end = int(input("请输入结束页："))

    url = "https://tieba.baidu.com/f?"
    # 构造url编码
    key = urllib.parse.urlencode({"kw":kw})

    tiebaSpaider(url+key, begin, end)

2.16实战-有道翻译

功能介绍：输出“飞沙”进行翻译，输出“flysand”

urllib.parse.urlencode() 构造formdata编码

from urllib import request
import urllib
import re

header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"}

url = "https://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule"

key = "飞沙"
# input("请输入内容：")

# post请求需要提交的数据
formdata = {
    "i":key,
    "from":"AUTO",
    "to":"AUTO",
    "smartresult":"dict",
    "client":"fanyideskweb",
    "salt":"16606084281166",
    "sign":"097c19675ab94536be3851055d802544",
    "lts":"1660608428116",
    "bv":"08c34ed4d2214384c56440d4bcb8a187",
    "doctype":"json",
    "version":"2.1",
    "keyfrom":"fanyi.web",
    "action":"FY_BY_REALTlME",
}

# 将需要翻译formdata的数据进行编码
data = urllib.parse.urlencode(formdata).encode(encoding='utf-8')
'''注释
data = b'i=%E9%A3%9E%E6%B2%99&from=AUTO&
to=AUTO&smartresult=dict&client=f
anyideskweb&salt=16606084281166&s
ign=097c19675ab94536be3851055d802
544&lts=1660608428116&bv=08c34ed4
d2214384c56440d4bcb8a187&doctype=
json&version=2.1&keyfrom=fanyi.we
b&action=FY_BY_REALTlME'
'''

'''
url:请求的网站
data:需要获取的的内容
headers:爬虫的网络头
'''
req = request.Request(url, data, headers=header)
# req = <urllib.request.Request object at0x000001FCA794BC10>

# request.urlopen()获取网页中的数据
resp = request.urlopen(req).read().decode()
'''注释
resp = {
  "type":"ZH_CN2EN",
  "errorCode":0,
  "elapsedTime":1,
  "translateResult":[
    [{
      "src":"飞沙",
      "tgt":"Fly sand"
    }]
  ]
}
'''

# 正则表达式，提取
pat = r'"tgt":"(.*?)"}]]'
result = re.findall(pat,resp)
print(result[0])

2.19异常处理

from urllib import request

list = [
    "http://baidu.com",
    "http://baidu.com",
    "http://mrflysand",
    "http://baidu.com",
    "http://baidu.com",
]

i = 1
for url in list:
    data = request.urlopen(url)
    print("第",i,"请求:",data)
    i =i + 1

运行上面代码就会出错，如下图

通过try进行异常处理

from doctest import Example
from urllib import request

list = [
    "http://baidu.com",
    "http://baidu.com",
    "http://dfdsjg",
    "http://baidu.com",
    "http://baidu.com",
]

i = 1
for url in list:
    print("第",i,"请求:")
    try:
        data = request.urlopen(url)
        print(data)
    except Exception as e:
        print(e)
    i =i + 1

2.20cookie模拟登录

在没有Cookie时分别执行代码，两次获取到的html不同。当有cookie时，用户不需要登录。

from urllib import request, response

url = r"https://gitee.com/MrFlySand"

header = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47",
    "Cookie": "user_locale=zh-CN; oschina_new_user=false; Hm_lvt_24f17767262929947cc3631f99bfd274=1646402371; sensorsdata2015jssdkchannel=%7B%22prop%22%3A%7B%22_sa_channel_landing_url%22%3A%22%22%7D%7D; remote_way=http; tz=Etc%2FGMT-8; gitee_user=true; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%225688909%22%2C%22first_id%22%3A%22182a5a05182b3e-0618d85178732ec-45647f52-1327104-182a5a0518315c7%22%2C%22props%22%3A%7B%22%24latest_traffic_source_type%22%3A%22%E5%BC%95%E8%8D%90%E6%B5%81%E9%87%8F%22%2C%22%24latest_search_keyword%22%3A%22%E6%9C%AA%E5%8F%96%E5%88%B0%E5%80%BC%22%2C%22%24latest_referrer%22%3A%22https%3A%2F%2Fwww.cnblogs.com%2F%22%7D%2C%22%24device_id%22%3A%2217f553a7ead157e-0381ee7113506ac-7e697a64-1327104-17f553a7eae119e%22%7D; gitee-session-n=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--0faf867ee5455b30ccf7e326f93d45bc3a4b85d6"
}

req = request.Request(url,headers = header)
response = request.urlopen(req)
print((response.read().decode()))

3.1requests安装与使用

【Win+R】-输入cmd-在cmd窗口中输入pip install requests进行安装

from urllib import request
import requests
data = requests.get("http://baidu.com")

# text以字符串的形式获取内容
response = requests.request("get","http://baidu.com").text
'''
<html>
<meta http-equiv="refresh" content="0;url=http://www.baidu.com/">
</html>
'''

# content以二进制的形式获取内容
response = requests.request("get","http://baidu.com").content
'''
b'<html>\n<meta http-equiv="refresh" content="0;url=http://www.baidu.com/">\n</html>\n'
'''

# decode()转换成中文
response = requests.request("get","http://baidu.com").content.decode()
'''
<html>
<meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></html>
'''

# 用get方式获取数据
response = requests.get("http://baidu.com").content.decode()

3.2添加请求头和参数

requests.get("网址", params="请求的数据", headers=header)

import requests

header = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"
}

wd = {"wd":"中国"}

'''
params:自动将wd转换成url编码
'''
response = requests.get("https://www.cnblogs.com/MrFlySand/p/13756390.html", params=wd, headers=header)
'''
response的结果：<Response [200]>
'''

# response.text返回一个字符串形式的html网页代码
data1 = response.text

# 返回一个二进制形式的html数据
data2 = response.content
print(data2)

# 返回一个二进制形式的html网页代码，用decode转换成中文
data3 = response.content.decode()
print(data3)

3.3处理post请求

import requests
import re

header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"}

url = "https://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule"

key = "飞沙"

# post请求需要提交的数据
formdata = {
    "i":key,
    "from":"AUTO",
    "to":"AUTO",
    "smartresult":"dict",
    "client":"fanyideskweb",
    "salt":"16606084281166",
    "sign":"097c19675ab94536be3851055d802544",
    "lts":"1660608428116",
    "bv":"08c34ed4d2214384c56440d4bcb8a187",
    "doctype":"json",
    "version":"2.1",
    "keyfrom":"fanyi.web",
    "action":"FY_BY_REALTlME",
}

response = requests.post(url, headers=header, data=formdata)

pat = r'"tgt":"(.*?)"}]]'

result = re.findall(pat, response.text)
print(result)

输出内容如下:

['Fly sand']

3.4代理ip

proxy = {"http":"http://代理的ip地址:端口号"}。proxy里面也可以是https，但要注意键值中要保持一致。
点击查找新的代理ip

如下代码会输出请求到的html代码，有时会出现错误这是正常的，可以多运行几次代码。

import requests

# 设置代理ip地址
proxy = {
    "http":"http://47.106.105.236:80",
    "https":"https://47.106.105.236:80"
}

response = requests.get("http://www.baidu.com", proxies=proxy)

print(response.content.decode())

3.5获取响应的cookie

import requests

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

#1. 获取返回的cookiejar对象
cookiejar = response.cookies
print(cookiejar)

#2. 将cookiejar转换成字典
cookiedict = requests.utils.dict_from_cookiejar(cookiejar)
print(cookiedict)

输出内容如下：

<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
{'BDORZ': '27315'}

3.6session实现登录

import requests

response = requests.get("http://www.baidu.com")
header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"}

# 创建session对象
ses = requests.session()

# 构造登录需要的参数
data = {
    "email":"2602629646@qq.com",
    "password":""
}

# 通过传递用户名密码得到cookie信息
ses.post("https://passport.baidu.com/v2/?login", data=data)

# 请求需要的页面
response = ses.get("https://passport.baidu.com/v6/ucenter")
print(response.content.decode())

3.7B站数据爬取

import requests
import re
import time

# 写入本地
def writePage(html,fileName):
    print("正在保存", fileName)
    #wb表示二进制文件格式写入fileName文件中
    with open(fileName, "wb") as f: 
        f.write(html)

# 基础数据
response = requests.get("https://www.bilibili.com")
header = {"User-Agent": "请自己填写相应的代码"}

# 数据清洗
title = r'<p title="(.*?)" class="title">'
readCount = r'<p class="play">(.*?)</p>'
html = response.content.decode()
title = re.findall(title, html)
readCount = re.findall(readCount, html)

# html数据保存到本地
## 保存的数据
html = response.content 
## 保存路径
fileName = "C:/Users/MrFlySand/Desktop/testPy/1页.html" 
writePage(html,fileName)

# 输出爬取的数据
for i in range(0, len(readCount)):
    print(readCount[i],"\t",title[i])
## 长度相同，说明数据正确
print("长度:",len(readCount),len(title))

输出内容如下：

4.1正则表达式

re.search("查找的字符串","原数据")

import re
str = "MrFlySand飞沙FlySand-Q:2602629646"
print(re.search("飞沙", str))
print(re.search("飞沙", str).span())
print(re.search("QQ", str))
print(re.search("QQ", str).span())

输出内容如下：

4.2分析单词出现的次数

re.findall("查找的字符串","原数据")返回的是一个列表

import re

with open(r"C:/Users/MrFlySand/Desktop/testPy/英语.txt","rb") as f:
    data = f.read().decode()
#print((data))

n1 = len(re.findall("homework", data))
n2 = len(re.findall("pros", data))
n3 = len(re.findall("cons", data))
print("homework:",n1,"\n","pros:",n2,"\n","cons:",n3)

printf(re.findall("cons", data))

输出内容如下：

homework: 45
pros: 3
cons: 5
['cons', 'cons', 'cons', 'cons', 'cons']

with open的使用语法

4.3 匹配通配字符

原子:正则表达式中实现匹配的基本单位

元字符:正则表达式中具有特殊合义的字符

匹配通用字符
`\w`任意字母/数字/下划线
`\W`和小写`\w`相反
`\d`十进制数字
`\D`除了十进制数以外的值
`\s`空白字符
`\S`非空白字符
`[0-9]`数字
`[a-z][A-Z]`英文
`[\u4e00-\u9fa5]`中文

import re

str = "qq:2602629646,./飞沙MrFlySand"

pat = r"qq"
print(re.search(pat, str))

pat = r"26\w"
print(re.search(pat, str))

pat = r"[A-Z][a-z]"
print(re.search(pat, str))

pat = r"[0-9][0-9][0-9]"
print(re.search(pat, str))

输出内容如下：

<re.Match object; span=(0, 2), match='qq'>
<re.Match object; span=(3, 6), match='260'>
<re.Match object; span=(18, 20), match='Mr'>
<re.Match object; span=(3, 4), match='2'>

4.7 元字符

元字符：正则表达式中具有特殊合义的字符

元字符
`.`匹配任意字符`\n`除外
`^`匹配字符串开始的位置
`$`匹配字符串中结束的位置
`*`重复0次1次多次前面的原子
`?`重复一次或者0次前面的原子
`+`重复一次或多次前面的原子

import re

str = "2602629646,./FlySand飞沙MrFlySand112233"

# 从前面匹配任意2个字符
pat = ".."
print(re.search(pat, str))

# 从开头匹配，以26开头+任意数字
pat = "^26\d"
print(re.search(pat, str))

# 从末尾匹配，任意符号结尾
pat = ".$"
print(re.search(pat, str))

# 从末尾匹配，任意2个字符+Fly结尾
pat = "..Fly$"
print(re.search(pat, str))

# 任意个字符
pat = ".*"
print(re.search(pat, str))

## M开头，d结尾，中间任意个字符
pat = "M.*d"
print(re.search(pat, str))

## 从字符串前面往后匹配，str开头就是2。匹配的结果是：0~n个2+3
pat = "2*3"
print(re.search(pat, str))

## 从字符串前面往后匹配，str开头就是2。匹配的结果是：0~n个1+2
pat = "1*2"
print(re.search(pat, str))

# ?重复0次或者1次前面的原子。匹配的结果是：0~1个2+6
pat = "2?6"
print(re.search(pat, str))

# +重复0次或者1次前面的原子。匹配的结果是：1~n个2+3
pat = "2+3"
print(re.search(pat, str))

输出结果如下：

<re.Match object; span=(0, 2), match='26'>
<re.Match object; span=(0, 3), match='260'>
<re.Match object; span=(36, 37), match='3'>
None
<re.Match object; span=(0, 37), match='2602629646,./FlySand飞沙MrFlySand112233'>
<re.Match object; span=(22, 31), match='MrFlySand'>
<re.Match object; span=(33, 36), match='223'>
<re.Match object; span=(0, 1), match='2'>
<re.Match object; span=(0, 2), match='26'>
<re.Match object; span=(33, 36), match='223'>

4.8匹配固定次数

{n}前面的原子出现了n次
{n,}至少出现n次
{n,m}出现次数介于n-m之间，注意n,m之间不能有空格

import re

str = "2602629646"
pat = r"\d{6}" #匹配6个数字
print(re.search(pat, str))

str = "2602629646"
pat = r"\d{11}" # 匹配11个数字
print(re.search(pat, str))

str = "2602629646"
pat = r"\d{6,8}" # 匹配6~8个数字
print(re.search(pat, str))

str = "2602629646"
pat = r"\d{6, 8}" # ","和"8"之间有空格，无法正常匹配
print(re.search(pat, str))

输出内容如下：

<re.Match object; span=(0, 6), match='260262'>
None
<re.Match object; span=(0, 8), match='26026296'>
None

4.9匹配多个正则表达式

|表示或，只要|的前面或者后面有一个满足条件就可以输出字符串

import re
str = "2602629646"
pat = r"2[126]0|9[6]"
print(re.search(pat, str))

pat = r"200|9[6]"
print(re.search(pat, str))

输出结果如下：

<re.Match object; span=(0, 3), match='260'>
<re.Match object; span=(6, 8), match='96'>

4.10分组

import re
str = ";]\][/;$*(#(*%#$@A#MrFlySand$#($*#%@#@$Python^&&aa2602629646bb"
pat = r"MrFlySand.{0,}Python{0,}"
print(re.search(pat, str))

pat = r"(MrFlySand).{0,}(Python).s{0,}"
print(re.search(pat, str).group(1)) # 将第1个括号里面的内容输出
print(re.search(pat, str).group(2))

# 保留括号中间的内容
pat = r"aa(.*?)bb"
print(re.findall(pat,str))

输出结果如下：

<re.Match object; span=(19, 45), match='MrFlySand$#($*#%@#@$Python'>
MrFlySand
Python
['2602629646']

4.11贪婪模式和非贪婪模式

贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配;
<div>MrFlySand飞沙1</div><div>MrFlySand飞沙2</div>123213中<div>MrFlySand飞沙1</div>和<div>MrFlySand飞沙1</div><div>MrFlySand飞沙2</div>都匹配，但后者更多，结果就是后者。
非贪婪模式:在整个表达式匹配成功的前提下，尽可能少的匹配(？) ;
Python里默认是贪婪的。
findall()得到的是数列。

import re
str = "<div>MrFlySand飞沙1</div><div>MrFlySand飞沙2</div>123213"

# 贪婪模式
pat = r"<div>.*</div>"
print(re.search(pat,str))

# 非贪婪模式
pat = r"<div>.*?</div>"
print(re.search(pat,str))
print(re.findall(pat,str))

输出内容：

<re.Match object; span=(0, 46), match='<div>MrFlySand飞沙1</div><div>MrFlySand飞沙2</div>'>
<re.Match object; span=(0, 23), match='<div>MrFlySand飞沙1</div>'>
['<div>MrFlySand飞沙1</div>', '<div>MrFlySand飞沙2</div>']

4.12 compile函数

compile函数：将正则表达式换成内部格式，提高执行效率。
\d表示任意数字，\d+表示任意个数字。

import re

strr = "mrflysand666python"

pat = r"\d"
print(re.search(pat,strr))

pat = r"\d+"
print(re.search(pat,strr))

pat = re.compile(r"\d")
print(pat.search(strr))

pat = re.compile(r"\d+")
print(pat.search(strr))

pat = re.compile(r"python")
print(pat.search(strr))

# 区分大小写
pat = re.compile(r"Python")
print(pat.search(strr))

## 模式修正符：忽略大小写。注意re.I，I是大写。
pat = re.compile(r"Python",re.I)
print(pat.search(strr))

输出内容：

<re.Match object; span=(9, 10), match='6'>
<re.Match object; span=(9, 12), match='666'>        
<re.Match object; span=(9, 10), match='6'>
<re.Match object; span=(9, 12), match='666'>        
<re.Match object; span=(12, 18), match='python'>    
None
<re.Match object; span=(12, 18), match='python'>

4.13 match函数和serch函数

match函数和serch函数都是一次匹配，匹配到一次就不在往后匹配。

`match`函数匹配开头

import re
# match函数
strr = "mrflysand666python"
pat = re.compile(r"666")
print(pat.match(strr))

strr = "999mrflysand666python"
pat = re.compile(r"999")
print(pat.match(strr))

输出如下：

None # “666”不在strr字符串的开头
<re.Match object; span=(0, 3), match='999'>

`serch`函数匹配任意位置

import re
# search()
strr = "mrflysand666python"
pat = re.compile(r"666")
print(pat.search(strr))

strr = "999mrflysand666python"
pat = re.compile(r"999")
print(pat.search(strr))

输出如下：

<re.Match object; span=(9, 12), match='666'>        
<re.Match object; span=(0, 3), match='999'>

`group()`中的数字是匹配字符串strr中括号的位置

import re
strr = "mrflysand666pythonmrflysand"
pat = re.compile(r"(m)rflysan(d)")
print(pat.search(strr).group())
print(pat.search(strr).group(1))
print(pat.search(strr).group(2))

输出如下：

mrflysand
m
d

4.14 findall()和finditer()

findall()查找所有匹配的内容，装到列表中
fiditer()查找所有匹配的内容，装到迭代器中

import re
# findall函数
strr = "mrflysand——————mrflysand——————mrflysand——"
pat = re.compile(r"mrflysand")
print(pat.findall(strr))

# finditer函数
pat = re.compile(r"mrflysand")
print(pat.finditer(strr))

data = pat.finditer(strr)
for i in data:
  print(i)

list = []
data = pat.finditer(strr)
for j in data:
  print(j.group())
  list.append(j.group())
print(list)

输出如下：

['mrflysand', 'mrflysand', 'mrflysand']
<callable_iterator object at 0x0000022CC8997C40>    
<re.Match object; span=(0, 9), match='mrflysand'>   
<re.Match object; span=(15, 24), match='mrflysand'> 
<re.Match object; span=(30, 39), match='mrflysand'> 
mrflysand
mrflysand
mrflysand
['mrflysand', 'mrflysand', 'mrflysand']

4.15 split()函数和sub()函数

`split()`按照能够匹配的子串分割后返回列表

import re
# split()
strr = "mrflysand1,,,,,mrflysand2,,,,,mrflysand3,,,,"
pat1 = re.compile(r",+")
result1 = pat1.split(strr)
print(result1)

strr = "mrflysand1,,,,,mrflysand2,,,,,mrflysand3"
pat1 = re.compile(r",+")
result1 = pat1.split(strr)
print(result1)

输出如下：

['mrflysand1', 'mrflysand2', 'mrflysand3', '']
['mrflysand1', 'mrflysand2', 'mrflysand3']

`sub("替换后的内容",要处理的字符串)`用于替换

# sub()
str2 = "mrflysand 123, mrflysand 456!"
pat2 = re.compile(r"\d+")
result2 = pat2.sub("666",str2)
print(result2)

输出如下：

mrflysand 666, mrflysand 666!

4.16实战-爬取网站电话号码

response爬取的网页的html数据，如下是html的一小段。通过观察href里面有电话号码，名称。

<tr>
    <td>
        <a href="/tel/110/">匪警</a>
    </td>
    <td>
        110
    </td>
</tr>

[\s\S]*?表示任意个字符；(\d+)表示任意个数字；(.*?)表示任意符号

from ast import pattern
import re
import requests

header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.81 Safari/537.36 Edg/104.0.1293.47"}

response = requests.get("http://www.114best.com/tel",headers=header).text

pat1 = re.compile(r"<td>[\s\S]*?<a href=[\s\S]*?/tel/(\d+)[\s\S]*?>[\s\S]*?</a>[\s\S]*?</td>")
pat2 = re.compile(r"<td>[\s\S]*?<a href=[\s\S]*?/tel/[\s\S]*?/[\s\S]*?>(.*?)</a>[\s\S]*?</td>")

pattern1 = re.compile(pat1)
pattern2 = re.compile(pat2)

data1 = pattern1.findall(response)
data2 = pattern2.findall(response)

resultList = []
for i in range(0,len(data1)):
  resultList.append(data2[i]+data1[i])
  print(resultList[i])

4.17实战-爬虫电影排名列表

import urllib.request
import re

url = "https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0"

header = {"User-Agent":"用户自己输入"}

req = urllib.request.Request(url,headers=header)
data = urllib.request.urlopen(req).read().decode()
# print(data)

pat1 = re.compile(r'"rate":"(.*?)","cover_x":\d+,"title":"[\s\S]*?')
pat2 = re.compile(r'"rate":"[\s\S].*?","cover_x":\d+,"title":"(.*?)"')

data1 = pat1.findall(data)
data2 = pat2.findall(data)

for i in range(0,len(data1)):
  print(data2[i],data1[i]+"分")

输出如下：

余命10年 6.9分
紫心之恋 6.6分
瞬息全宇宙 7.6分
祝你好运 6.8分
稍微想起一些 7.8分

data输出内容

5.1 xpath介绍和lxml安装

我们可以通过XPath，将HTML文件转换成XML文档，然后用XPath查找HTML节点或元素。通过这种方法会比正则表达式更加方便。

我们需要安装1xml模块来支持xpath的操作。

在cmd窗口中输入pip install lxml

5.2解析字符串形式html

from base64 import encode
from lxml import etree
text = '''
<h5 id="scroller-1" offset="2">python有两种导入模块的方法，分别如下
<button class="cnblogs-toc-button" title="显示目录导航" aria-expanded="false"></button>
<p>mrflysand
</h5>
'''

# etree.HTML()将字符串解析成特殊的html对齐
html = etree.HTML(text)
print(html)

# 将html对象转换成字符串，decode()转成中文
result = etree.tostring(html,encoding="utf-8").decode()
print(result)

输出如下：

<Element html at 0x25dca9e7e00>
<html><body><h5 id="scroller-1" offset="2">python有两种导入模块的方法，分别如下<button class="cnblogs-toc-button" title="显示目录导航" aria-expanded="false"/></h5><p>mrflysand
</p></body></html>

如下图，输出的内容会将原本少的代码自动补充上。

5.3 解析本地文件

5.3.1 解析本地txt文件

sorted()是排序，可参考【CSDN】python中的字典排序

txt中的文本

from base64 import encode
import urllib.request
import re
from lxml import etree

# 读取文档中所有的数据
def readAll(url):
  str = open(url,encoding = "utf-8")
  strs = ""
  # 读取每一行
  for line in str.readlines():                             
    strs = line.strip()  + strs     
  return strs

# 正则表达式匹配字符
strs = readAll("C:/Users/MrFlySand/Desktop/1.txt")
pat = re.compile(r'[a-z]+' or '[A-Z][a-z]+')
data = pat.findall(strs)

# 统计每个单词出现的次数并加入到dict字典中
dict = {}
for i in range(0,len(data)):   
  if data[i] in dict:
    dictValue = dict[data[i]]+1
    dict.update({data[i]:dictValue})
  else:
    dict.update({data[i]:1})

# 根据字典的value值进行排序
dict = sorted(dict.items(),  key=lambda dict: dict[1], reverse=True)

for key in dict:
  print(key)

输出结果：

('the', 9)
('of', 8)
('a', 7)
('and', 7)
('to', 4)
('in', 4)

5.3.2 解析本地html文件

html文件中的内容

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/2.html", parser=parser)
result = etree.tostring(tree,encoding="utf-8").decode()
print(result)

输出内容：

<!DOCTYPE html>
<html>&#13;
<head>&#13;
        <meta charset="utf-8"/>&#13;        
        <meta name="viewport" content="width=device-width, initial-scale=1"/>&#13;      
        <title>12</title>&#13;
</head>&#13;
<body>&#13;
飞沙&#13;
</body>&#13;
</html>

5.3.2.1 `lxml.etree.XMLSyntaxError: Opening and ending tag mismatch`错误的解决办法

解决方法：创建html解析器，增加parser，指定编码格式
tree的结果是<lxml.etree._ElementTree object at 0x0000022E489279C0>

from lxml import etree
parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse(r'C:/mrflysand.html',parser=parser)

5.4 获取一类标签

result = tree.xpath("//")获取一类标签，result = tree.xpath("//p")获取所有的p标签

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/index.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//p")
for i in range(0,10):
    print(result[i].text)

html代码如下：

<body>
    <header class="header"></header>
    <div id="container">
        <!----------------------------------------可以修改的内容play------------------------------------>
        <div id="main">
            <section class="post" itemscope itemprop="blogPost">

                <h1 style="color:#2ca6cb;" itemprop="name">个人博客</h1>
                <p style="display:inline-flex;" itemprop="description">
                    <img style="width: 1em;height: 1em;display: inline-block;margin-right:0.5em;" src="http://q.qlogo.cn/headimg_dl?dst_uin=2602629646&spec=640">
                    <p style="display: contents;">飞沙QQ：<a href="mqqwpa://im/chat?chat_type=wpa&uin=2602629646">2602629646</a></p>
                    <p>博客园：<a href="https://www.cnblogs.com/MrFlySand">cnblogs.com/MrFlySand</a></p>
                    <p>CSDN：<a href="https://blog.csdn.net/MrFlySand">blog.csdn.net/MrFlySand</a></p>
                    <p>Bilibili：<a href="https://space.bilibili.com/403411216">https://space.bilibili.com/403411216</a></p>
                    <p>知乎：<a href="https://www.zhihu.com/people/MrFlySand/posts">zhihu.com/people/MrFlySand</a></p>
                    <p>Github：<a href="https://github.com/MrFlySand">github.com/MrFlySand</a></p>
                </p>
                花瓣网huaban.com/mrflysand 酷站MrFlySand.zcool.com.cn

            </section>
            <section class="post" itemscope itemprop="blogPost">
                <a class="mainHref" href="Page/Algorithm/Sort" title="简单算法" itemprop="url">
                    <h1 itemprop="name">排序算法</h1>
                    <p itemprop="description">
                        <p>排序算法有很多:冒泡排序/选择排序/插入排序/归并排序/计数排序/基数排序/希尔排序/堆排序/桶排序/快速排序</p>
                        <p>排序算法是《数据结构与算法》中最基本的算法之一。</p>
                        <p>一个优秀的算法可以节省大量时间的空间。</p>
                        <p>排序算法是将一组或多组数据按照既定模式进行重新排序。</p>
                    </p>
                </a>
            </section>
            <section class="post" itemscope itemprop="blogPost">
                <a class="mainHref" target="_blank" href="https://www.cnblogs.com/MrFlySand/p/13461893.html" title="Git命令" itemprop="url">
                    <h1 itemprop="name">Git命令</h1>
                    <p>git本地文件上传到远程仓库</p>
                    <p>删除文件</p>
                    <p>版本控制/回退</p>
                    <p>路径问题</p>
                    <p>其它常用命令</p>
                </a>
            </section>
            <section class="post" itemscope itemprop="blogPost">
                <a class="mainHref" href="Page/Algorithm/MaximumDepthOfTheTree/" title="树的最大深度" itemprop="url">
                    <h1 itemprop="name">树的最大深度</h1>
                    <p itemprop="description">
                        <p>树的左子结点小于父结点</p>
                        <p>树的右子结点大于父结点</p>
                        <p>求二叉树的最大深度</p>
                    </p>
                </a>
            </section>
        </div>
        <!----------------------------------------可以修改的内容end------------------------------------>
        <div id="asidepart"></div>
    </div>

输出内容：



飞沙QQ：
博客园：
CSDN：
Bilibili：
知乎：
Github：


排序算法有很多:冒泡排序/选择排序/插入排序/归并排序/计数排序/基数排序/ 希尔排序/堆排序/桶排序/快速排序排序算法是《数据结构与算法》中最基本的算法之一。

5.5 获取指定属性的标签

5.5.1实例一：指定标签和属性

index.html中的代码看5.4中的html代码。

tree.xpath("//h1[@itemprop='name']")获取h1标签，itemprop的值为name。如下图：

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/index.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//h1[@itemprop='name']")
for i in range(0,len(result)):
    print(result[i].text)

输出内容如下：

个人博客
排序算法
Git命令
树的最大深度

5.5.2实例二：指定标签和属性

tree.xpath("//p/a[@href='https://www.cnblogs.com/MrFlySand']")获取p标签下的a标签，其中href='https://www.cnblogs.com/MrFlySand'中的文本
/表示下一级标签

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/index.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//p/a[@href='https://www.cnblogs.com/MrFlySand']")
for i in range(0,len(result)):
    print(result[i].text)

输出内容：

cnblogs.com/MrFlySand

5.6 获取标签属性

tree.xpath("//标签/@属性")，tree.xpath("//p/a/@href")获取p标签下的a标签中href属性。

注意：for循环中的i后面没有text，但5.5章节和5.7章节中有。

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/index.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//p/a/@href")

print(result)
for i in result:
    print(i)

输出内容如下：

['mqqwpa://im/chat?chat_type=wpa&uin=2602629646', 'https://www.cnblogs.com/MrFlySand', 'https://blog.csdn.net/MrFlySand', 'https://space.bilibili.com/403411216', 'https://www.zhihu.com/people/MrFlySand/posts', 'https://github.com/MrFlySand']
mqqwpa://im/chat?chat_type=wpa&uin=2602629646
https://www.cnblogs.com/MrFlySand
https://blog.csdn.net/MrFlySand
https://space.bilibili.com/403411216        
https://www.zhihu.com/people/MrFlySand/postshttps://github.com/MrFlySand

5.7 获取子标签

5.7.1实例一

\获取下一级标签
index.html中的代码看5.4中的html代码。

tree.xpath("//section/a/h1")，/表示下一级。

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/index.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//section/a/h1")

print(result)
for i in result:
    print(i.text)

输出内容如下：

[<Element h1 at 0x25f86e1cd00>, <Element h1 at 0x25f86e1ccc0>, <Element h1 at 0x25f86e1cd80>]
排序算法
Git命令
树的最大深度

5.7.2实例二

\\获取所有符合条件的子标签

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/1.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//li//span")

for i in result:
    print(i.text)

1.html中的代码内容：

<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>

<body>
    <li>
        <a href="">
            <span>mrflysand</span>
            <span>mrflysand1</span>
        </a>
        <span>飞沙</span>
        <span>飞沙1</span>
    </li>
</body>

输出内容：

mrflysand
mrflysand1
飞沙
飞沙1

当py中的代码是result = tree.xpath("//li/span")，输出如下：

飞沙
飞沙1

5.7.3实例三

1.html代码如下：

<!DOCTYPE html>
<html lang="en">

<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>

<body>
    <li>
        <a href="">
            <span class="abc">mrflysand</span>
            <span>mrflysand1</span>
            <span class="a1">mrflysand2</span>
        </a>
        <span>飞沙</span>
        <span>飞沙1</span>
    </li>
</body>
</html>

//li//span//@class任意li>span>有class属性的内容

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/1.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//li//span//@class")

for i in result:
    print(i)

输出如下：

abc
a1

5.8获取标签内容和标签名

5.8.1 实例一：获取倒数第二个标签

html代码看5.7.3章节
//li/span[last()]选中li下的span标签最后一个元素
//li/span[last()-1]选中li下的span标签倒数第二个元素

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/1.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//li/span[last()-1]")
print(result)

for i in result:
    print(i.text)

输出内容：

[<Element span at 0x1f1d0238e80>]
飞沙

当代码成为result = tree.xpath("//li//span[last()-1]")时，选中的是所有li下的所有span标签，输出如下：

mrflysand1
飞沙

5.8.2实例二：获取倒数第二个标签

tree.xpath("//li/span")选中所有li标签下span标签，符合要求的有飞沙、飞沙1

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/1.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//li/span")
print(result[-2].text)

输出如下：

飞沙

5.8.3 实例三：获取指定的class标签中的文本

tree.xpath("//*[@class='abc']")获取所有标签下class值为abc的文本

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/1.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//*[@class='abc']")
print(result[0].text)

输出如下：

mrflysand

5.8.3 实例四：获取指定的class标签名

result[0].tag获取标签名，如下代码输出span

from lxml import etree
import re

parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse("C:/Users/123/Desktop/1.html", parser=parser)
html = etree.tostring(tree,encoding="utf-8").decode()
result = tree.xpath("//*[@class='abc']")
print(result[0].tag)

posted @ 2020-09-30 20:41 MrFlySand-飞沙阅读(1307) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

MrFlySand_飞沙

python爬虫教程

2.1第一个爬虫

python有两种导入模块的方法，分别如下

代码解释

2.2中文处理

2.2.1输出获取的html代码

2.2.2数据清洗

2.3自定义请求

2.4伪装浏览器原理

反爬虫机制：

2.5伪装浏览器的爬虫

2.6添加多个UserAgent

2.7自定义opener

2.8设置opener为全局

2.9使用代理ip

2.11处理get请求

2.12实战-贴吧爬虫

2.16实战-有道翻译

2.19异常处理

通过try进行异常处理

2.20cookie模拟登录

3.1requests安装与使用

3.2添加请求头和参数

3.3处理post请求

3.4代理ip

3.5获取响应的cookie

3.6session实现登录

3.7B站数据爬取

4.1正则表达式

4.2分析单词出现的次数

4.3 匹配通配字符

4.7 元字符

4.8匹配固定次数

4.9匹配多个正则表达式

4.10分组

4.11贪婪模式和非贪婪模式

4.12 compile函数

4.13 match函数和serch函数

match函数匹配开头

serch函数匹配任意位置

group()中的数字是匹配字符串strr中括号的位置

4.14 findall()和finditer()

4.15 split()函数和sub()函数

split()按照能够匹配的子串分割后返回列表

sub("替换后的内容",要处理的字符串)用于替换

4.16实战-爬取网站电话号码

4.17实战-爬虫电影排名列表

5.1 xpath介绍和lxml安装

5.2解析字符串形式html

5.3 解析本地文件

5.3.1 解析本地txt文件

5.3.2 解析本地html文件

5.3.2.1 lxml.etree.XMLSyntaxError: Opening and ending tag mismatch错误的解决办法

5.4 获取一类标签

5.5 获取指定属性的标签

5.5.1实例一：指定标签和属性

5.5.2实例二：指定标签和属性

5.6 获取标签属性

5.7 获取子标签

5.7.1实例一

5.7.2实例二

5.7.3实例三

5.8获取标签内容和标签名

5.8.1 实例一：获取倒数第二个标签

5.8.2实例二：获取倒数第二个标签

5.8.3 实例三：获取指定的class标签中的文本

5.8.3 实例四：获取指定的class标签名

公告

`match`函数匹配开头

`serch`函数匹配任意位置

`group()`中的数字是匹配字符串strr中括号的位置

`split()`按照能够匹配的子串分割后返回列表

`sub("替换后的内容",要处理的字符串)`用于替换

5.3.2.1 `lxml.etree.XMLSyntaxError: Opening and ending tag mismatch`错误的解决办法