02、爬虫数据解析-Re解析_业界新闻

发布时间:2024-07-29 20:58

阅读量:0

数据解析的目的是不拿到页面的全部内容，只拿到部分我们想要的内容内容。

Re解析就是正则解析，效率高准确性高。学习本节内容前需要学会基础的正则表达式。

一、正则匹配规则

1、常用元字符

. 匹配除换行符以外的字符
\w 匹配字母或数字或下划线
\s 匹配任意的空白符
\d 匹配数字
\n 匹配一个换行符
\t 匹配一个制表符
^ 匹配字符串的开始
$ 匹配字符串的结尾
\W 匹配非字母或数字或下划线
\D 匹配非数字
\S 匹配非空白符
a|b 匹配字符a或字符b
() 匹配括号内的表达式，也表示一个组
[...] 匹配字符组中的字符
[^...] 匹配除了字符组中字符的所有字符

2、量词：控制前面的元字符出现的次数

* 重复0次或更多次
+ 重复一次或更多次
？重复0次或一次
{n} 重复n次
{n,} 重复n次或更多次
{n,m} 重复n到m次

3、贪婪匹配和非贪婪匹配(重要)

.* 贪婪匹配
.*? 惰性匹配

二、Re模块

re模块中只需要记住以下几种功能就够用了

1、re.findall

匹配字符串中所有的符合正则的内容，返回list

import re list = re.findall(r"\d+","我的电话号是：10086，小红的电话是100000") print(list) #运行结果：['10086', '100000']

2、re.finditer(重点）

和findall差不多，只不过这时返回的是迭代器

因为findall返回列表，当页面上数据较大时，list就会非常大，效率不高。

从迭代器中拿到内容需要.group()

import re it = re.finditer(r"\d+","我的电话号是：10086，小红的电话是100000") print(it) #返回结果：<callable_iterator object at 0x000001914FB0D850>  for i in it:     print(i.group()) #返回结果 # 10086 # 100000

3、re.search

进行匹配，但是如果匹配到了第一个结果，就会返回这个结果。如果匹配不上search返回的是None。

如果拿到了返回的依然是迭代器，使用.group()取到匹配的内容

import re s = re.search(r"\d+","我的电话号是：10086，小红的电话是100000") print(s.group()) #返回结果 10086

4、re.match

只能从字符串的开头进行匹配。相当于在正则表达式前面加了一个^

import re s1 = re.match(r"\d+","我的电话号是：10086，小红的电话是100000") print(s1.group()) #报错，未找到 s2 = re.match(r"\d+","10086，小红的电话是100000") print(s2.group()) #返回10086

5、预加载正则表达式(re.compile(r"\d+"))

当后面正则较为复杂的时候，就可以使用预加载，先写规则。

import re obj = re.compile(r"\d+") ret = obj.finditer("我的电话号是：10086，小红的电话是100000") for it in ret:     print(it.group())

6、单独提取正则中的内容

re.S的作用是让.能匹配换行符

obj = re.compile(r"<div class='.*?'><span id='\d'>(?P<hello>.*?)</span></div>", re.S)#re.S的作用是让.能匹配换行符 ret = obj.finditer(s) for it in ret:     print(it.group("hello")) # 小米 # 华为 # 三星 # 苹果

三、实战：豆瓣top250

1、需求：

拿到排行榜的电影名称，年份，评价，打分，并使用csvwriter写入到csv文件中

2、思路：

（1）拿到页面源代码 requests

（2）通过re来提取到想要的有效信息 re

import re import requests import csv  url = "http://movie.douban.com/top250" headers ={     "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0" } resp = requests.get(url,headers=headers) page_content = resp.text #解析数据 obj = re.compile(r'<li>.*?<div class="item".*?<span class="title">(?P<name>.*?)</span>.*?'                  r'<p class="">.*?<br>(?P<time>.*?)&nbsp.*?'                  r'<span class="rating_num" property="v:average">(?P<score>.*?)</span>.*?'                  r'<span>(?P<judge>.*?)人评价</span>', re.S) ret = obj.finditer(page_content) f = open("data.csv",mode="w",encoding="utf-8") csvwriter = csv.writer(f) for it in ret:     # print(it.group("name"))     # print(it.group("time").strip())     # print(it.group("score"))     # print(it.group("judge"))     dic = it.groupdict()     dic['time'] = dic['time'].strip()#因为年份后面有空格，单独处理     csvwriter.writerow(dic.values()) resp.close()

结果：

四、实战：屠戮盗版天堂电影信息

1、需求：

想拿到2024必看篇的所有电影下载地址。

2、思路

（1）定位到2024必看篇

（2）从2024必看篇中提取到子页面的链接地址

（3）请求子页面的链接地址，拿到我们想要的下载地址

注：此站点进行了反爬措施，需要添加User-Agent和Cookie。并且编码为gb2312，需要设置。

import requests import re url = "https://www.dytt89.com/" headers = {     "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0",     "Cookie":"guardok=VxXtQIYG+FVwAJLu76U/QvRiEyoXdFVFLcCsBijzPzwTF6G1uhyRle6K2pHzz4oYx32wQY0n0W/gv80enczOuA==; __vtins__KSHU1VNqce379XHB=%7B%22sid%22%3A%20%222408df8b-f3ee-5771-b99c-a0b206621ca0%22%2C%20%22vd%22%3A%201%2C%20%22stt%22%3A%200%2C%20%22dr%22%3A%200%2C%20%22expires%22%3A%201722072217375%2C%20%22ct%22%3A%201722070417375%7D; __51uvsct__KSHU1VNqce379XHB=1; __51vcke__KSHU1VNqce379XHB=8133f70d-0abb-5af7-91dc-fbf00581cf6a; __51vuft__KSHU1VNqce379XHB=1722070417377; Hm_lvt_93b4a7c2e07353c3853ac17a86d4c8a4=1722070418; Hm_lpvt_93b4a7c2e07353c3853ac17a86d4c8a4=1722070418; HMACCOUNT=4AF1B6073CA4B2F3; Hm_lvt_8e745928b4c636da693d2c43470f5413=1722070418; Hm_lpvt_8e745928b4c636da693d2c43470f5413=1722070418; Hm_lvt_0113b461c3b631f7a568630be1134d3d=1722070418; Hm_lpvt_0113b461c3b631f7a568630be1134d3d=1722070418" } resp = requests.get(url, verify=False,headers=headers)#verify=False去掉安全验证 resp.encoding = "gb2312" # print(resp.text)  #定位到2024必看 obj1 = re.compile(r'2024必看热片.*?<ul>(.*?)</ul>', re.S) obj2 = re.compile(r"a href='(?P<href>.*?)'",re.S) obj3 = re.compile(r'译　　名(?P<movie>.*?)<br />.*?WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(?P<download>.*?)">', re.S) result1 = obj1.finditer(resp.text) for it in result1:     ul = it.group()      #提取子页面链接     result2 = obj2.finditer(ul)     for it2 in result2:         href = "https://www.dytt89.com/"+it2.group("href")          #请求子页面链接         resp2 = requests.get(href, headers=headers,verify=False)         resp2.encoding = "gb2312"          #拿到子页面链接的下载地址         result3 = obj3.finditer(resp2.text)         for it3 in result3:             print(it3.group("movie"))             print(it3.group("download"))         resp2.close() resp.close()