常用正则表达式爬取网页信息及HTML分析总结
Python爬取网页信息时，经常使用的正则表达式及方法。
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
1). 获取<tr></tr>标签之间内容
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)
# eg_v1
import re language = '''<tr><th>床前明月光</th><td>忧思独伤心</td></tr><tr>''' # 正则表达式获取<tr></tr>之间内容 res_tr = r"<tr>(.*?)</tr>" m_tr = re.findall(res_tr,language,re.S|re.M) print (unicode(m_tr,"utf-8")) for line in m_tr: print line res_th = r"<th>(.*?)</th>" m_th = re.findall(res_th,line,re.S|re.M) for mm in m_th: print (unicode(mm,"utf-8")) res_td = r"<td>(.*?)</td>" m_td = re.findall(res_td,line,re.S|re.M) for nn in m_td: print (unicode(nn,"utf-8"))
2). 获取超链接<a href=..></a>之间内容
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)
# eg_v2
import re content = ''' <td> <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a> <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a> </td> '''
# 获取<a href></a>之间的内容
res = r'<a .*?>(.*?)</a>' mm = re.findall(res,content,re.S|re.M) for value in mm: print (value)
# 获取所有<a href></a>链接所有内容
urls = re.findall(r"a.*?href=.*?<\/a>",content,re.I|re.S|re.M) for i in urls: print i
# 获取<a href></a>中的URL
res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')" link = re.findall(res_url,content,re.I|re.S|re.M) for url in link: print (url)
3). 获取URL最后一个参数命名图片或传递参数
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
通过该URL的"/"后面的参数命名图片
# eg_v3
urls = 'http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg'
value = urls.split("/")[-1]
print (value)
# BbsImg141568417848931_640*640.jpg
使用Python获取GET方法的URL链接中，还可能存在传递参数的值,获取参数方法:
url = 'http://localhost/test.py?a=hello&b=world'
values = url.split('?')[-1]
print (values)
# a=hello&b=world
for key_value in values.split('&'):
print (key_value.split('='))
# ['a', 'hello']
# ['b', 'world']
4). 爬取网页中所有URL链接
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.
# eg_v4 (爬取CSDN首页的所有URL链接)
import re import urllib2 url = "http://www.csdn.net/" content = urllib2.urlopen(url).read() urls = re.findall(r'<a.*?href=.*?<\/a>',content,re.I) for url in urls: print (unicode(url,"utf-8")) link_list = re.findall(r"(?=href=\".+?(?=\")|(?<=href=\').+?(?=\')",content) for url in link_list: print (url)
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,常位于<html><head><title>标题</title></head></html>中
# eg_v5 (爬取CSDN标题)
import re import urllib2 url = 'http://www.csdn.net/' content = urllib2.urlopen(url).read() # 方法一 title_pat = r'(?<=<title>).*?(?=</title>)' title_ex = re.compile(title_pat,re.M|re.S) title_obj = re.search(title_ex,content) title = title_obj.group() print (title) # 方法二 title = re.findall(r'<title>(.*?)</title>',content) print (title[0])
6). 定位table位置并爬取属性-属性值
# eg_v6 (正则表达式获取td值的例子)
import re s = '''<table> <tr> <td>序列号</td><td>DEIN3-39CD3-2093J3</td> <td>日期</td><td>2013年1月22日</td> <td>售价</td><td>392.70 元</td> <td>说明</td><td>仅限5用户使用</td> </tr> </table> ''' res = r'<td>(.*?)</td><td>(.*?)</td>' m = re.findall(res,s,re.S|re.M) for line in m: print (unicode(line[0],'utf-8'),unicode(line[1],'utf-8'))
# 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
获取值过程中，通常会存在<span>、<br>、<a href>等标签
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'),
# eg_v7
import re
language = '''
<table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3">
<caption style="text-align: center; font-size: larger;" class="fn"><b>购书</b></caption>
<tr>
<th>性別：</th>
<td>男</td>d
</tr>
<tr>
<th>異名：</th>
<td><span class="nickname">(字) 翔宇</span></td>
</tr>
<tr>
<th>政黨：</th>
<td><span class="org"><a href="../articles/%E4%B8%AD9A.html" title="购书中心"></a></span></td>
</tr>
<tr>
<th>籍貫：</th>
<td><a href="../articles/%E6%B5%9981.html" title="广东省">广东省</a><a href="../articles/%E7%BB%8D82.html" title="绍兴市">绍兴市</a></td>
</tr>
</table>
'''
# 获取table中tr值
res_tr = r'<tr>(.*?)</tr>'
m_tr = re.findall(res_tr,language,re.S|re.M)
# 获取表格第一列th 属性
for line in m_tr:
res_th = r'<th>(.*?)</th>'
m_th = re.findall(res_th,line,re.S|re.M)
for mm in m_th:
if "href" in mm： # 如果获取加粗的th中含超链接则处理
restr = r'<a href=.*?(.*?)<\a>'
h = re.findall(res_tr,mm,re.S|re.M)
print (unicode(h[0],'utf-8'))
else:
print (unicode(mm,'utf-8'))
# 取表格第二列td 属性值
res_td = r'<td>(.*?)</td>'
m_td = re.findall(res_td,line,re.S|re.M)
for nn in m_td:
if 'href' in nn:
res_value = r'<a .*?>(.*?)</a>'
m_value = re.findall(res_value,nn,re.S|re.M)
for value in m_value:
print (unicode(value,'utf-8'))
elif "span" in nn:
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')
else:
print (unicode(nn,'utf-8'))
print (' ')
8). 获取<script></script>等标签内容
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
通过正则表达式下载URL：
res_original = r'"original":"(.*?)"' #原图 m_original = re.findall(res_original,script)
# eg_v8
import re
import os
import urllib
content = '''
<script>var images = [
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"title":"","descript":"","id":75109},
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg",
"title":"","descript":"","id":75110},
</script>
'''
html_script = r'<script>(.*?)</script>'
m_script = re.findall(html_script,content,re.S|re.M)
for script in m_script:
res_original = r'"original":"(.*?)"'
m_original = re.findall(res_original,script)
for pic_url in m_original:
print (pic_url)
filename = os.path.basename(pic_url)
urllib.urlretrieve(pic_url,"D:\\" + filename)
