[python] 常用正则表达式爬取网页信息及分析HTML标签总结
這篇文章主要是介紹Python爬取網頁信息時，經常使用的正則表達式及方法。它是一篇總結性文章，實用性比較大，主要解決自己遇到的爬蟲問題，也希望對你有所幫助~
當然如果會Selenium基于自動化測試爬蟲、BeautifulSoup分析網頁DOM節點，這就更方便了，但本文更多的是介紹基于正則的底層爬取分析。
涉及內容如下：
?
- 常用正則表達式爬取網頁信息及HTML分析總結
- 1.獲取<tr></tr>標簽之間內容
- 2.獲取<a href..></a>超鏈接之間內容
- 3.獲取URL最后一個參數命名圖片或傳遞參數
- 4.爬取網頁中所有URL鏈接
- 5.爬取網頁標題title兩種方法
- 6.定位table位置并爬取屬性-屬性值
- 7.過濾<span></span>等標簽
- 8.獲取<script></script>等標簽內容
- 9.通過replace函數過濾<br />標簽
- 10.獲取<img ../>中超鏈接及過濾<img>標簽
推薦基礎文章：Python正則表達式指南 -?AstralWind
------------------------------------------------------------------------------------------------------------------------------
?
1.獲取<tr></tr>標簽之間內容
該部分主要是通過正則表達式獲取兩個標簽之間的內容，通常這種標簽都是成對出現的。
開始標簽如：<tr>、<th>、<td>、<a>、<table>、<div>...
后綴標簽如：</tr>、</th>、</td>、</a>、</table>、</div>...
核心代碼：
? ? ? ? res_tr = r'<tr>(.*?)</tr>'
? ? ? ? m_tr = ?re.findall(res_tr,language,re.S|re.M)
例子：
?
?
# coding=utf-8 import relanguage = '''<tr><th>性別：</th><td>男</td></tr><tr>'''#正則表達式獲取<tr></tr>之間內容 res_tr = r'<tr>(.*?)</tr>' m_tr = re.findall(res_tr,language,re.S|re.M) for line in m_tr:print line#獲取表格第一列th 屬性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'), #unicode防止亂#獲取表格第二列td 屬性值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')輸出如下所示：
?
>>> <th>性別：</th><td>男</td> 性別： 男 >>>python通過re模塊提供對正則表達式的支持。使用re的一般步驟是先將正則表達式的字符串形式編譯為Pattern實例，然后使用Pattern實例處理文本并獲得匹配結果（一個Match實例），最后使用Match實例獲得信息，進行其他的操作。
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):?搜索string，以列表形式返回全部能匹配的子串。其中RE的常見參數包括：
? ? ? ? re.I(re.IGNORECASE): 忽略大小寫（括號內是完整寫法）
? ? ? ? re.M(re.MULTILINE): 多行模式，改變'^'和'$'的行為
? ? ? ? re.S(re.DOTALL): 點任意匹配模式，改變'.'的行為
?
?
?
------------------------------------------------------------------------------------------------------------------------------
2.獲取超鏈接<a href=..></a>之間內容
通常在使用正則表達式時，需要分析網頁鏈接，獲取URL或網頁內容。核心代碼如下：
? ? ? ? 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)
例子：
輸出如下圖所示：
?
>>> 獲取鏈接文本內容: 浙江省主題介紹 貴州省主題介紹獲取完整鏈接內容: <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主題介紹</a> <a href="https://www.baidu.com//articles/gz.html" title="貴州省">貴州省主題介紹</a>獲取鏈接中URL: https://www.baidu.com/articles/zj.html https://www.baidu.com//articles/gz.html >>>當然如果是通過Selenium分析DOM樹結構獲取href對應的url或title中的值，其核心代碼如下所示，這里主要是給大家做個對比，理解不同方法的優勢：
? ? ??driver.get(link)?
? ? ? elem = driver.find_elements_by_xpath("//div[@class='piclist']/tr/dd[1]") ??
? ? ? for url in elem: ? ?
? ? ? ? ? ? pic_url = url.get_attribute("href") ???
? ? ? ? ? ? print pic_url
參考文章：[python爬蟲] Selenium定向爬取虎撲籃球海量精美圖片
?
?
?
------------------------------------------------------------------------------------------------------------------------------
3.獲取URL最后一個參數命名圖片或傳遞參數
通常在使用Python爬取圖片過程中，會遇到圖片對應的URL最后一個字段通常用于命名圖片，如虎撲孫悅妻子圖片：
? ? ? ??http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg
此時需要通過該URL的"/"后面的參數命名圖片，則方法如下：
輸出如下所示：
>>> BbsImg141568417848931_640*640.jpg >>>在使用Python獲取GET方法的URL鏈接中，還可能存在傳遞參數的值。
此時獲取參數方法如下：
輸出如下所示：
>>> a=hello&b=world ['a', 'hello'] ['b', 'world'] >>>
------------------------------------------------------------------------------------------------------------------------------
4.爬取網頁中所有URL鏈接
在學習爬蟲過程中，你肯定需要從固有網頁中爬取URL鏈接，再進行下一步的循環爬取或URL抓取。如下，爬取CSDN首頁的所有URL鏈接。
輸出如下所示：
>>> <a href="https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn">登錄</a> <a href="http://passport.csdn.net/account/mobileregister?action=mobileRegister">注冊</a> <a href="https://passport.csdn.net/help/faq">幫助</a> ... https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn http://passport.csdn.net/account/mobileregister?action=mobileRegister https://passport.csdn.net/help/faq ... >>>
------------------------------------------------------------------------------------------------------------------------------
5.爬取網頁標題title兩種方法
獲取網頁標題也是一種常見的爬蟲，如我在爬取維基百科國家信息時，就需要爬取網頁title。通常位于<html><head><title>標題</title></head></html>中。
下面是爬取CSDN標題的兩種方法介紹：
輸出如下所示：
>>> 方法一: CSDN.NET - 全球最大中文IT社區，為IT專業技術人員提供最全面的信息傳播和服務平臺 方法二: CSDN.NET - 全球最大中文IT社區，為IT專業技術人員提供最全面的信息傳播和服務平臺 >>>
------------------------------------------------------------------------------------------------------------------------------
6.定位table位置并爬取屬性-屬性值
如果使用Python庫的一些爬取，通常可以通過DOM樹結構進行定位，如代碼：
? ? login =?driver.find_element_by_xpath("//form[@id='loginForm']")?
參考文章：[Python爬蟲] Selenium實現自動登錄163郵箱和Locating Elements介紹
但如果是正則表達式這種相對傳統傻瓜式的方法，通過通過find函數尋找指定table方法進行定位。如：獲取Infobox的table信息。
通過分析源代碼發現“程序設計語言列表”的消息盒如下：
<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>
print infobox 輸出其中一門語言ActionScript的InfoBox消息盒部分源代碼如下：
<table class="infobox vevent" cellspacing="3" style="border-spacing:3px;width:22em;text-align:left;font-size:small;line-height:1.5em;"> <caption class="summary"><b>ActionScript</b></caption> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">發行時間</th> <td style=";;">1998年</td> </tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">實現者</th> <td class="organiser" style=";;"><a href="/wiki/Adobe_Systems" title="Adobe Systems">Adobe Systems</a></td> </tr> <tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">啟發語言</th> <td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td> </tr> </table>參考文章：[python學習] 簡單爬取維基百科程序語言消息盒
然后再在這個infobox內容中通過正則表達式進行分析爬取。下面講述爬取屬性-屬性值：
爬取格式如下：
? ? ? ??<table>
? ? ? ? ? ? ? ? <tr>
? ? ? ? ? ? ? ? ? ? ? <th>屬性</th>
? ? ? ? ? ? ? ? ? ? ? <td>屬性值</td>
? ? ? ? ? ? ? ? </tr>
? ? ? ? </table>
其中th表示加粗處理，td和th中可能存在屬性如title、id、type等值；同時<td></td>之間的內容可能存在<a href=..></a>或<span></span>或<br />等值，都需要處理。下面先講解正則表達式獲取td值的例子：
參考：http://bbs.csdn.net/topics/390353859?page=1
Python代碼如下：
# coding=utf-8 import res = '''<table> ? <tr> ? <td>序列號</td><td>DEIN3-39CD3-2093J3</td> ? <td>日期</td><td>2013年1月22日</td> ? <td>售價</td><td>392.70 元</td> ? <td>說明</td><td>僅限5用戶使用</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') #unicode防止亂碼 #輸出結果如下： #序列號 DEIN3-39CD3-2093J3 #日期 2013年1月22日 #售價 392.70 元 #說明 僅限5用戶使用如果<td id="">包含該屬性則正則表達式為r'<td id=.*?>(.*?)</td>'；同樣如果不一定是id屬性開頭，則可以使用正則表達式r'<td .*?>(.*?)</td>'。
------------------------------------------------------------------------------------------------------------------------------
7.過濾<span></span>等標簽
在獲取值過程中，通常會存在<span>、<br>、<a href>等標簽，下面舉個例子過濾。
<td><span class="nickname">(字) 翔宇</span></td>過濾標簽<span>核心代碼：
? ? elif "span" in nn: #處理標簽<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'),
代碼如下，注意print中逗號連接字符串：
輸出如下所示：
>>> 性別： 男 異名： (字) 翔宇 籍貫： 浙江省 紹興市 >>>?
------------------------------------------------------------------------------------------------------------------------------
8.獲取<script></script>等標簽內容
比如在獲取游訊網圖庫中，圖集對應的原圖它是存儲在script中，其中獲取原圖-original即可，縮略圖-thumb，大圖-big，通過正則表達式下載URL：
? ? ? ??res_original = r'"original":"(.*?)"' #原圖
? ? ? ? m_original = re.findall(res_original,script)
代碼如下：
運行結果如下圖所示，同時下載圖片至E盤。
參考文章：?[python學習] 簡單爬取圖片網站圖庫中圖片
------------------------------------------------------------------------------------------------------------------------------
9.通過replace過濾<br />標簽
在獲取值過程中，通常會存<br />標簽，它表示HTML換行的意思。常用的方法可以通過標簽'<'和'>'進行過濾，但是這里我想講述的是一種Python常用的過濾方法，在處理中文亂碼或一些特殊字符時，可以使用函數replace過濾掉這些字符。核心代碼如下：
? ? if '<br />' in value:
? ? ? ? value = value.replace('<br />','') ? #過濾該標簽
? ? ? ? value = value.replace('\n',' ') ? ? ? ? #換行空格替代 否則總換行
例如過濾前后的例子：
達洪阿?異名：?(字) 厚菴<br />?(諡) 武壯<br />?(勇號) 阿克達春巴圖魯
達洪阿?異名：?(字) 厚菴?(諡) 武壯?(勇號) 阿克達春巴圖魯
------------------------------------------------------------------------------------------------------------------------------
10.獲取<img ../>中超鏈接及過濾<img>標簽
在獲取值屬性值過程中，可能在分析table/tr/th/td標簽后，仍然存在<img />圖片鏈接，此時在獲取文字內容時，你可能需要過濾掉這些<img>標簽。這里采用的方法如下：
? ? ? ? value = re.sub('<[^>]+>','', value)
例如：
輸出如下：
>>> 中華民國政治人士性別： 男政黨：中國國民黨>>>雖然僅僅包括漢字，但是中間會存在換行，需要過濾<br />即可：
if '<br />' in value:value = value.replace('<br />','')value = value.replace('\n',' ') value = re.sub('<[^>]+>','', value) #過濾HTML標簽 print value#輸出僅僅一行如下：? #中華民國政治人士 ? ?性別： 男 ? 政黨： ? 中國國民黨 ???下面講述第二部分，通過正則表達式獲取<img>中的src超鏈接，代碼如下：
test = '''<img alt="中國國民黨" src="../images/Kuomintang.png" width="19" height="19" border="0" />''' print re.findall('src="(.*?)"',test)輸出如下所示：
>>> ['../images/Kuomintang.png'] >>>findall函數返回的總是正則表達式在字符串中所有匹配結果的列表，即findall中返回列表中每個元素包含的信息。
最后希望文章對你有所幫助，后面如果遇到新的相關知識，我也會即使的更新添加的。
(By：Eastmount 2016-04-07 清晨6點 ?http://blog.csdn.net/eastmount/)
?
與50位技術專家面對面20年技術見證，附贈技術全景圖總結
以上是生活随笔為你收集整理的[python] 常用正则表达式爬取网页信息及分析HTML标签总结的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： [数据库] Navicat for Or
- 下一篇： [python] 使用scikit-le