利用正则进行爬虫

发布于

利用正则表达式玩转爬虫

本文中介绍的是主要是3个知识点：

  • 正则表达式的相关知识
  • Python的中re模块，主要是用来处理正则表达式
  • 一个利用re模块通过正则表达式来进行网页数据的爬取和存储

使用的系统、Python版本和其他环境分别如下：

代码语言：javascript
复制
python 3.7.5
MacOS
jupyter notebook
re   # re模块
requests 2.23.0  # 发送请求

正则表达式

正则表达式及作用

正则表达式的英文是regular expression，通常简写为regex、regexp或者RE，属于计算机领域的一个概念。

正则表达式的主要作用是被用来进行文本的检索、替换或者是从一个串中提取出符合我们指定条件的子串，它描述了一种字符串匹配的模式pattern。

目前正则表达式已经被集成到了各种文本编辑器和文本处理工具中。

应用场景
  • 验证：比如在网站中进行表单提交时，进行用户名及密码的验证
  • 查找：从给定的文本信息中进行快速高效地查找与分析字符串
  • 替换：将我们指定格式的文本进行查找，然后将指定的内容进行替换

网站

在这里介绍几个用来学习和测试正则表达式的网站：

  1. 菜鸟教程-正则表达式

https://www.runoob.com/regexp/regexp-tutorial.html

  1. 正则表达式在线测试工具

https://tool.oschina.net/regex/

  1. GoRegex.cn

https://goregex.cn/

  1. 官方re模块学习

https://docs.python.org/zh-cn/3/library/re.html

  1. 正则表达式30分钟入门教程

https://deerchao.cn/tutorials/regex/regex.htm#mission

常用字符功能

先介绍常用正则表达式中几种特殊字符的功能：

字符类

字符

含义

例子

.

匹配任意一个字符

ab.可以匹配abc或者abd

[ ]

匹配括号中的任意1个字符

[abcd]可以匹配ab、bc、cd

-

在[ ]内表示的字符范围内进行匹配

[0-9a-fA-F]可以匹配任意一个16进制的数字

^

位于[ ]括号内的开头，匹配除括号中的字符之外的任意1个字符

[^xy]匹配xy之外的任意一个字符，比如[^xy]1可以匹配A1、B1但是不能匹配x1、y1

数量限定符

字符

含义

例子

？

匹配前面紧跟字符的0次或者1次

[0-9]?，匹配1、2、3

+

匹配前面紧跟字符的1次或者多次

[0-9]+，匹配1、12、123等

*

匹配前面紧跟字符的0次或者多次

[0-9]*，不匹配或者12、123

{N}

匹配前面紧跟字符精确到N次

[1-9][0-9]{2}，匹配100到999的整数，{2}表示[0-9]匹配两个数字

{,M}

匹配前面紧跟字符最多M次

[0-9]{,1}，指的是最多匹配0-9之间的1个整数，相当于是0次或者1次，等价于[0-9]?

{N,M}

匹配前面紧跟字符的至少N次，最多M次

[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}，匹配IP地址，其中.号是特殊字符，需要使用转义字符\

位置相关

字符

含义

例子

^

匹配开头的位置；通过\A

^hello 匹配hello开头的字符内容

$

匹配结束的位置同\Z

;$ 匹配一行结尾的;符号 ^$匹配空行

<

匹配单词开头的位置

<th 匹配…this但是不能匹配ethernet等

>

匹配单词结尾的位置

p> 匹配leap等，但是不能匹配parent、sleepy等不是p结尾的单词

\b

匹配单词开头或结尾的位置

\bat 匹配…at…，但是不能匹配cat、atexit、batch（非at开头）

\B

匹配非单词开头或者结尾的单词

\Bat匹配battery，但是不能匹配attend/hat等以at开头的单词

特殊字符

字符

含义

例子

\

转义字符，保持后面字符的原义，使其不被转义

\. 输出.

( )

将表达式的一部分括起来，可以对整个单元使用数量限定符，匹配括号中的内容

([0-9]{1,3}\.){3}[0-9]{1,3}表示将括号内的内容匹配3次

|

连接两个子表达式，相当于或的关系

n(o|either)匹配no或者neither

\d

数字字符

相当于是[0-9]

\D

非数字字符

相当于是[^0-9]

\w

数字字母下划线

[a-zA-Z0-9_]

\W

非数字字母下划线，匹配特殊字符

[^\w]

\s

空白区域

[\r\t\n\f]表格、换行等空白区域

\S

[^\s]

非空白区域

re模块

re模块简介

在Python中主要是利用re模块进行正则表达式的处理，涉及到4个常用的方法：

  • re.match()
  • re.search()
  • re.findall()
  • re.sub()
  • re.split()

5个方法的基本使用语法是：

代码语言：javascript
复制
import re   # 使用之前先进行导入re模块
re.match(pattern, string, flags)   # match方法为例

上面参数的说明：

参数

描述

pattern

匹配的正则表达式

string

要匹配的字符串

flags

标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

标志位flags

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志，如 re.I | re.M 被同时设置成 I 和 M 标志：

修饰符

描述

re.I

忽略大小写（常用）

re.L

做本地化识别（locale-aware）匹配

re.M

多行匹配，影响 ^ 和 $

re.S

使 . 匹配包括换行在内的所有字符

re.U

根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B.

re.X

该标志通过给予更灵活的格式，以便将正则表达式写得更易于理解。

match

从指定字符串的开始位置进行匹配。开始位置匹配成功则继续匹配，否则输出None。

该方法的结果是返回一个正则匹配对象，通过两个方法获取相关内容：

  • 通过group()来获取内容
  • 通过span()来获取范围：匹配到字符的开始和结束的索引位置

开始位置没有匹配成功，返回None：

存在换行的字符串内容，使用re.S：

group()方法获取内容的时候，索引符号从1开始：

search

re.search方法扫描整个字符串，返回的是第一个成功匹配的字符串，否则就返回None

group(N)中的参数N不能超过正则表达式中括号的个数，若超过则报错：

findall

re.findall()是扫描整个字符串，通过列表形式返回所有符合的字符串

注意：re.search是返回第一个符合要求的字符

如果存在多个.*?，则返回的内容中使用列表中嵌套元组的形式：

sub

re.sub方法是用来替换字符串中的某些内容

  • 直接替换
  • 通过函数替换

指定具体的替换内容：将空格替换成短横线

略微复杂的替换

split
用法

主要适用于将字符串进行分割：

代码语言：javascript
复制
re.split(pattern, string,maxsplit=0,flags=0)

用 pattern 分开 string 。 如果在 pattern 中捕获到括号，那么所有的组里的文字也会包含在列表里。

如果 maxsplit 非零， 最多进行 maxsplit 次分隔， 剩下的字符全部返回到列表的最后一个元素。

如何理解是否保留匹配项

第二种写法就是保留了匹配项

贪婪模式与非贪婪模式

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为。

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；而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

我们在正则表达式中经常会使用3个符号：

  • 点.：表示匹配的是除去换行符之外的任意字符
  • 问号?：表示匹配0个或者1个
  • 星号*：表示匹配0个或者任意个字符
代码语言：javascript
复制
.*?  非贪婪模式
.*   贪婪模式

看一个例子来比较re模块中两种匹配方式的不同：

  1. 在上面的非贪婪模式中，使用了问号？，当匹配到aaaacb已经达到了要求，停止第一次匹配；接下来再开始匹配到ab；再匹配到adceb：所以存在多个匹配结果
  2. 在贪婪模式中，程序会找到最长的那个符合要求的字符串

关于正则表达式中贪婪和非贪婪模式的详解，请参考文章，写的非常清楚。

基于正则的爬虫

字符串是在我们编程中涉及最多的一种数据结构，最字符串进行操作的需求几乎无处不在。

比如我们编写好了爬虫程序，在得到了网页的源码之后，怎么从茫茫数据中提取出来我们指定的数据？这个通过正则表达式提取就是其中的方法之一。

接下来讲解的通过re模块来爬取某个网站的内容。

网页结构

分析的网页结构和源码的相关对应信息：

  1. 在每个网页中有32篇小说
  1. 这32篇小说的信息存在于32个<li></li>对中：
  1. 每篇信息存在一个li中，比如第一篇：
  1. 源码和网页中的对应位置
网页地址

第一页的地址是http://www.quanshuwang.com/list/1_1.html，第二页是http://www.quanshuwang.com/list/1_2.html，网页地址的规律

代码语言：javascript
复制
for i in range(1, 1156):  # 总共1155页
  url = "http://www.quanshuwang.com/list/1_{}.html".format(i)
爬取信息

导入库爬虫中需要的库

代码语言：javascript
复制
import re  # 解析数据
import requests # 发送请求
import csv  # 存入数据
import pandas as pd

爬取第一页

爬取第一页的内容进行测试

代码语言：javascript
复制
url = "http://www.quanshuwang.com/list/1_1.html"  # 第一页
headers = {"User-Agent": "自己的请求头"}
response = requests.get(url=url, headers=headers)   # 得到响应
res = response.content.decode('gbk', 'ignore')  # 获取源码，实际编码是gbk
res

下面?进行3个字段信息的爬取：

标题title

title是li标签对中唯一的，所以可以直接获取双引号中的内容，最后检验下长度刚好是32

作者author

author是源码中唯一的内容，直接通过author后面的内容进行获取，检验长度也是32

在author和em标签中进行限制来获取内容

简介substract

对简介的提取分为两个部分：正文部分+更多。因为有些小说没有简介，只有更多2个字，所以需要特殊下

  1. 通过元组的形式单独提取出两个信息
  1. 将两个信息进行合并，放到一个大列表中，同时检验长度仍然是32

完整代码

下面是完整的源码，包含：

  • 访问链接获取源码数据
  • 利用re模块解析数据
  • 利用csv模块保存数据
  • 读取数据
#正则表达式#regex#https#网络安全#编程算法