[python爬蟲] 正規表示式使用技巧及爬取個人部落格例項

Eastmount發表於2017-10-18
原文網址 : https://blog.csdn.net/eastmount/article/details/78275983
Python爬蟲

這篇部落格是自己《資料探勘與分析》課程講到正規表示式爬蟲的相關內容，主要簡單介紹Python正規表示式爬蟲，同時講述常見的正規表示式分析方法，最後通過例項爬取作者的個人部落格網站。希望這篇基礎文章對您有所幫助，如果文章中存在錯誤或不足之處，還請海涵。真的太忙了，太長時間沒有寫部落格了，抱歉~

一.正規表示式

正規表示式（Regular Expression，簡稱Regex或RE）又稱為正規表示法或常規表示法，常常用來檢索、替換那些符合某個模式的文字，它首先設定好了一些特殊的字及字元組合，通過組合的“規則字串”來對錶達式進行過濾，從而獲取或匹配我們想要的特定內容。它具有靈活、邏輯性和功能性非常的強，能迅速地通過表示式從字串中找到所需資訊的優點，但對於剛接觸的人來說，比較晦澀難懂。

1.re模組

Python通過re模組提供對正規表示式的支援，使用正規表示式之前需要匯入該庫。

import re

其基本步驟是先將正規表示式的字串形式編譯為Pattern例項，然後使用Pattern例項處理文字並獲得一個匹配（Match）例項，再使用Match例項獲得所需資訊。常用的函式是findall，原型如下：

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
該函式表示搜尋字串string，以列表形式返回全部能匹配的子串。
其中引數re包括三個常見值：
  (1)re.I(re.IGNORECASE)：忽略大小寫（括號內是完整寫法）
  (2)re.M(re.MULTILINE)：允許多行模式
  (3)re.S(re.DOTALL)：支援點任意匹配模式

Pattern物件是一個編譯好的正規表示式，通過Pattern提供的一系列方法可以對文字進行匹配查詢。Pattern不能直接例項化，必須使用re.compile()進行構造。

2.complie方法

re正規表示式模組包括一些常用的操作函式，比如complie()函式。其原型如下：

compile(pattern[,flags] )

該函式根據包含正規表示式的字串建立模式物件，返回一個pattern物件。引數flags是匹配模式，可以使用按位或“|”表示同時生效，也可以在正規表示式字串中指定。Pattern物件是不能直接例項化的，只能通過compile方法得到。

簡單舉個例項，使用正規表示式獲取字串中的數字內容，如下所示：
>>> import re
>>> string="A1.45，b5，6.45，8.82"
>>> regex = re.compile(r"\d+\.?\d*")
>>> print regex.findall(string)
['1.45', '5', '6.45', '8.82']
>>>

3.match方法

match方法是從字串的pos下標處起開始匹配pattern，如果pattern結束時已經匹配，則返回一個Match物件；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。該方法原型如下：

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])

引數string表示字串；pos表示下標，pos和endpos的預設值分別為0和len(string)；引數flags用於編譯pattern時指定匹配模式。 


4.search方法

search方法用於查詢字串中可以匹配成功的子串。從字串的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match物件；若無法匹配，則將pos加1後重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。 函式原型如下：

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])

引數string表示字串；pos表示下標，pos和endpos的預設值分別為0和len(string))；引數flags用於編譯pattern時指定匹配模式。 

5.group和groups方法

group([group1, …])方法用於獲得一個或多個分組截獲的字串，當它指定多個引數時將以元組形式返回。groups([default])方法以元組形式返回全部分組截獲的字串，相當於呼叫group(1,2,…last)。default表示沒有截獲字串的組以這個值替代，預設為None。



二.正規表示式抓取網路資料常見方法


在第三小節作者將介紹常用的正規表示式抓取網路資料的一些技巧，這些技巧都是作者自然語言處理和資料抓取實際程式設計中的總結，可能不是很系統，但是也能給讀者提供一些抓取資料的思路以及解決實際的一些問題。

1.抓取標籤間的內容

HTML語言是採用標籤對的形式來編寫網站的，包括起始標籤和結束標籤，比如<head></head>、<tr></tr>、<script><script>等。下面講解抓取標籤對之間的文字內容。

(1) 抓取title標籤間的內容

首先爬取網頁的標題，採用的正規表示式為'<title>(.*?)</title>'，爬取百度標題程式碼如下：

# coding=utf-8  
import re  
import urllib  
url = "http://www.baidu.com/"  
content = urllib.urlopen(url).read()  
title = re.findall(r'<title>(.*?)</title>', content)
print title[0]
# 百度一下，你就知道

程式碼呼叫urllib庫的urlopen()函式開啟超連結，並借用正規表示式庫中的findall()函式尋找title標籤間的內容，由於findall()函式獲取所有滿足該正規表示式的文字，故輸出第一個值title[0]即可。下面是獲取標籤的另一種方法。

pat = r'(?<=<title>).*?(?=</title>)'    
ex = re.compile(pat, re.M|re.S)    
obj = re.search(ex, content)  
title = obj.group()  
print title 
# 百度一下，你就知道


(2) 抓取超連結標籤間的內容
在HTML中，<a href=URL></a>用於標識超連結，test03_08.py檔案用於獲取完整的超連結和超連結<a>和</a>之間的內容。

# coding=utf-8  
import re  
import urllib  
url = "http://www.baidu.com/"  
content = urllib.urlopen(url).read()

#獲取完整超連結
res = r"<a.*?href=.*?<\/a>"
urls = re.findall(res, content)
for u in urls:
    print unicode(u,'utf-8')

#獲取超連結<a>和</a>之間內容
res = r'<a .*?>(.*?)</a>'  
texts = re.findall(res, content, re.S|re.M)  
for t in texts:
    print unicode(t,'utf-8')

輸出結果部分內容如下所示，這裡如果直接輸出print u或print t可能會亂碼，需要呼叫函式unicode(u,'utf-8')進行轉碼。

#獲取完整超連結
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新聞</a>
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地圖</a>
<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">視訊</a>
...

#獲取超連結<a>和</a>之間內容
新聞
hao123
地圖
視訊
...


(3) 抓取tr\td標籤間的內容
網頁中常用的佈局包括table佈局或div佈局，其中table表格佈局中常見的標籤包括tr、th和td，表格行為tr（table row），表格資料為td（table data），表格表頭th（table heading）。那麼如何抓取這些標籤之間的內容呢？下面程式碼是獲取它們之間內容。

假設存在HTML程式碼如下所示：

<html>
<head><title>表格</title></head>
<body>
    <table  border=1>
        <tr><th>學號</th><th>姓名</th></tr>
        <tr><td>1001</td><td>楊秀璋</td></tr>
        <tr><td>1002</td><td>嚴娜</td></tr>
    </table>
</body>
</html>

則爬取對應值的Python程式碼如下：

# coding=utf-8  
import re  
import urllib
content = urllib.urlopen("test.html").read() #開啟本地檔案

#獲取<tr></tr>間內容
res = r'<tr>(.*?)</tr>'
texts = re.findall(res, content, re.S|re.M)
for m in texts:
    print m

#獲取<th></th>間內容
for m in texts:
    res_th = r'<th>(.*?)</th>'
    m_th = re.findall(res_th, m, re.S|re.M)
    for t in m_th:
        print t

#直接獲取<td></td>間內容
res = r'<td>(.*?)</td><td>(.*?)</td>'    
texts = re.findall(res, content, re.S|re.M)
for m in texts:
    print m[0],m[1]

輸出結果如下，首先獲取tr之間的內容，然後再在tr之間內容中獲取<th>和</th>之間值，即“學號”、“姓名”，最後講述直接獲取兩個<td>之間的內容方法。

>>> 
<th>學號</th><th>姓名</th>
<td>1001</td><td>楊秀璋</td>
<td>1002</td><td>嚴娜</td>

學號
姓名

1001 楊秀璋
1002 嚴娜
>>>


2.抓取標籤中的引數

(1) 抓取超連結標籤的URL

HTML超連結的基本格式為“<a href=URL>連結內容</a>”，現在需要獲取其中的URL連結地址，方法如下：

# coding=utf-8  
import re

content = '''
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新聞</a>
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地圖</a>
<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">視訊</a>
'''

res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
urls = re.findall(res, content, re.I|re.S|re.M)
for url in urls:
    print url

輸出內容如下：

>>> 
http://news.baidu.com
http://www.hao123.com
http://map.baidu.com
http://v.baidu.com
>>>


(2) 抓取圖片超連結標籤的URL

HTML插入圖片使用標籤的基本格式為“<img src=圖片地址 />”，則需要獲取圖片URL連結地址的方法如下：

content = '''<img alt="Python" src="http://www..csdn.net/eastmount.jpg" />'''
urls = re.findall('src="(.*?)"', content, re.I|re.S|re.M)
print urls
# ['http://www..csdn.net/eastmount.jpg']

其中圖片對應的超連結為“http://www..csdn.net/eastmount.jpg”，這些資源通常儲存在伺服器端，最後一個“/”後面的欄位即為資源的名稱，該圖片名稱為“eastmount.jpg”。那麼如何獲取URL中最後一個引數呢？


(3) 獲取URL中最後一個引數

通常在使用Python爬取圖片過程中，會遇到圖片對應的URL最後一個欄位通常用於命名圖片，如前面的“eastmount.jpg”，需要通過URL“/”後面的引數獲取圖片。

content = '''<img alt="Python" src="http://www..csdn.net/eastmount.jpg" />'''
urls = 'http://www..csdn.net/eastmount.jpg'
name = urls.split('/')[-1]  
print name
# eastmount.jpg

該段程式碼表示採用字元“/”分割字串，並且獲取最後一個獲取的值，即為圖片名稱。


3.字串處理及替換

在使用正規表示式爬取網頁文字時，通常需要呼叫find()函式找到指定的位置，再進行進一步爬取，比如獲取class屬性為“infobox”的表格table，再進行定位爬取。

start = content.find(r'<table class="infobox"')  #起點位置    
end = content.find(r'</table>')              #重點點位置
infobox = text[start:end]    
print infobox

同時爬取過程中可能會爬取到無關變數，此時需要對無關內容進行過濾，這裡推薦使用replace函式和正規表示式進行處理。比如，爬取內容如下：

# coding=utf-8  
import re

content = '''
<tr><td>1001</td><td>楊秀璋<br /></td></tr>
<tr><td>1002</td><td>顏 娜</td></tr>
<tr><td>1003</td><td><B>Python</B></td></tr>
'''

res = r'<td>(.*?)</td><td>(.*?)</td>'    
texts = re.findall(res, content, re.S|re.M)
for m in texts:
    print m[0],m[1]

輸出如下所示：

>>> 
1001 楊秀璋<br />
1002 顏 娜
1003 <B>Python</B>
>>>

此時需要過濾多餘字串，如換行（<br />）、空格（ ）、加粗（<B></B>）。
過濾程式碼如下：

# coding=utf-8  
import re

content = '''
<tr><td>1001</td><td>楊秀璋<br /></td></tr>
<tr><td>1002</td><td>顏 娜</td></tr>
<tr><td>1003</td><td><B>Python</B></td></tr>
'''

res = r'<td>(.*?)</td><td>(.*?)</td>'    
texts = re.findall(res, content, re.S|re.M)
for m in texts:
    value0 = m[0].replace('<br />', '').replace(' ', '')
    value1 = m[1].replace('<br />', '').replace(' ', '')
    if '<B>' in  value1:
        m_value = re.findall(r'<B>(.*?)</B>', value1, re.S|re.M)
        print value0, m_value[0]
    else:
        print value0, value1

採用replace將字串“<br />”或“' ”替換成空白，實現過濾，而加粗（<B></B>）需要使用正規表示式過濾，輸出結果如下：

>>> 
1001 楊秀璋
1002 顏娜
1003 Python
>>>



三.實戰爬取個人部落格例項

在講述了正規表示式、常用網路資料爬取模組、正規表示式爬取資料常見方法等內容之後，我們將講述一個簡單的正規表示式爬取網站的例項。這裡作者用正規表示式爬取作者的個人部落格網站的簡單示例，獲取所需內容。
作者的個人網址“http://www.eastmountyxz.com/”開啟如下圖所示。


假設現在需要爬取的內容如下：
1.部落格網址的標題（title）內容。
2.爬取所有圖片的超連結，比如爬取<img src=”xxx.jpg” />中的“xxx.jpg”。
3.分別爬取部落格首頁中的四篇文章的標題、超連結及摘要內容，比如標題為“再見北理工：憶北京研究生的程式設計時光”。


1.分析過程

第一步 瀏覽器原始碼定位

首先通過瀏覽器定位這些元素原始碼，發現它們之間的規律，這稱為DOM樹文件節點樹分析，找到所需爬取節點對應的屬性和屬性值，如圖3.6所示。


標題“再見北理工：憶北京研究生的程式設計時光”位於<div class=”essay”></div>節點下，它包括一個<h1></h1>記錄標題，一個<p></p>記錄摘要資訊，即：

<div class="essay">
<h1 style="text-align:center">
<a href="http://blog.csdn.net/eastmount/.../52201984">
再見北理工：憶北京研究生的程式設計時光
</a>
</h1>
<p style="text-indent: 2em;">  
兩年前，我本科畢業寫了這樣一篇文章：《 回憶自己的大學四年得與失 》，感慨了自己在北理軟院四年的所得所失；兩年後，我離開了帝都，回到了貴州家鄉，準備開啟一段新的教師生涯，在此也寫一篇文章紀念下吧！
還是那句話：這篇文章是寫給自己的，希望很多年之後，回想起自己北京的六年時光，也是美好的回憶。文章可能有點長，但希望大家像讀小說一樣耐心品讀，....
</p>
</div>

其餘三篇文章同樣為<div class=”essay1”></div>、
<div class=”essay2”></div>和<div class=”essay3”></div>。


第二步 正規表示式爬取標題

網站的標題通常位於<head><title>...</title></head>之間，爬取部落格網站的標題“秀璋學習天地”的方法是通過正規表示式“<title>(.*?)</title>”實現，程式碼如下，首先通過urlopen()函式訪問部落格網址，然後定義正規表示式爬取。如下圖所示：


第三步 正規表示式爬取所有圖片地址

由於HTML插入圖片標籤格式為“<img src=圖片地址 />”，則使用正規表示式獲取圖片URL連結地址的方法如下，獲取以“src=”開頭，以雙引號結尾的內容即可。

import re
import urllib

url = "http://www.eastmountyxz.com/"
content = urllib.urlopen(url).read()
urls = re.findall(r'src="(.*?)"', content)
for url in urls:
    print url

輸出共顯示了6張圖片，但每張圖片省略了部落格地址“http://www.eastmountyxz.com/”，增加相關地址則可以通過瀏覽器訪問，如“http://www.eastmountyxz.com/images/11.gif”。


第四步 正規表示式爬取部落格內容

前面第一步講述瞭如何定位四篇文章的標題，第一篇文章位於<div class=”essay”>和</div>標籤之間，第二篇位於<div class=”essay1”>和</div>，依次類推。但是該HTML程式碼存在一個錯誤：class屬性通常表示一類標籤，它們的值都應該是相同的，所以這四篇文章的class屬性都應該是“essay”，而name或id可以用來標識其唯一值。

這裡使用find()函式定位<div class=”essay”>開頭，</div>結尾，獲取它們之間的值。比如獲取第一篇文章的標題和超連結程式碼如下：

import re
import urllib
url = "http://www.eastmountyxz.com/"
content = urllib.urlopen(url).read()
start = content.find(r'<div class="essay">')
end = content.find(r'<div class="essay1">')
print content[start:end]

該部分程式碼分為三步驟：
  (1) 呼叫urllib庫的urlopen()函式開啟部落格地址，並讀取內容賦值給content變數。
  (2) 呼叫find()函式查詢特定的內容，比如class屬性為“essay”的div標籤，依次定位獲取開始和結束的位置。
  (3) 進行下一步分析，獲取原始碼中的超連結和標題等內容。
定位這段內容之後，再通過正規表示式獲取具體內容，程式碼如下：

import re
import urllib

url = "http://www.eastmountyxz.com/"
content = urllib.urlopen(url).read()
start = content.find(r'<div class="essay">')
end = content.find(r'<div class="essay1">')
page = content[start:end]
                 
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
t1 = re.findall(res, page)  #超連結
print t1[0]
t2 = re.findall(r'<a .*?>(.*?)</a>', page)  #標題
print t2[0]
t3 = re.findall('<p style=.*?>(.*?)</p>', page, re.M|re.S) #摘要(
print t3[0]

呼叫正規表示式分別獲取內容，由於爬取的段落（P）存在換行內容，所以需要加入re.M和re.S支援換行查詢，最後輸出結果如下：

>>> 
http://blog.csdn.net/eastmount/article/details/52201984
再見北理工：憶北京研究生的程式設計時光
  兩年前，我本科畢業寫了這樣一篇文章：《 回憶自己的大學四年得與失 》，感慨了自己在北理軟院四年的所得所失；兩年後，我離開了帝都，回到了貴州家鄉，準備開啟一段新的教師生涯，在此也寫一篇文章紀念下吧！

        還是那句話：這篇文章是寫給自己的，希望很多年之後，回想起自己北京的六年時光，也是美好的回憶。文章可能有點長，但希望大家像讀小說一樣耐心品讀，....
>>>

2.程式碼實現

完整程式碼參考test03_10.py檔案，程式碼如下所示。

#coding:utf-8
import re
import urllib

url = "http://www.eastmountyxz.com/"
content = urllib.urlopen(url).read()

#爬取標題
title = re.findall(r'<title>(.*?)</title>', content)
print title[0]

#爬取圖片地址
urls = re.findall(r'src="(.*?)"', content)
for url in urls:
    print url

#爬取內容
start = content.find(r'<div class="essay">')
end = content.find(r'<div class="essay1">')
page = content[start:end]           
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
t1 = re.findall(res, page)  #超連結
print t1[0]
t2 = re.findall(r'<a .*?>(.*?)</a>', page)  #標題
print t2[0]
t3 = re.findall('<p style=.*?>(.*?)</p>', page, re.M|re.S) #摘要(
print t3[0]
print ''

start = content.find(r'<div class="essay1">')
end = content.find(r'<div class="essay2">')
page = content[start:end]           
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
t1 = re.findall(res, page)  #超連結
print t1[0]
t2 = re.findall(r'<a .*?>(.*?)</a>', page)  #標題
print t2[0]
t3 = re.findall('<p style=.*?>(.*?)</p>', page, re.M|re.S) #摘要(
print t3[0]

輸出結果如圖所示。



通過上面的程式碼，讀者會發現使用正規表示式爬取網站還是比較繁瑣，尤其是定位網頁節點時，後面將講述Python提供的常用第三方擴充套件包，利用這些包的函式進行定向爬取。
希望這篇文字對你有所幫助，尤其是剛接觸爬蟲的同學或是遇到類似問題的同學，更推薦大家使用BeautifulSoup、Selenium、Scrapy等庫來爬取資料。




總結：

貴州縱美路迢迢，
未負勞心此一遭。
搜得破書三四本，
也堪將去教爾曹。

這是我大學畢業離開北京時寫的詩，回想依然感慨萬分，當時放棄了網際網路月薪過萬的工資，親朋好友的勸阻，選擇回貴州任教，子承父志。剛來財大領了兩個月2800的工資，但內心始終都是愉悅的。

轉眼已工作一年多，自己也有了新的感悟。知道了有一些事情比事業重要得多，即使是最喜歡的教書育人，也可以放棄，似乎卻總讓你操心，確實不該。人，一方面需要牢記自己的初心，能堅持做一輩子喜歡的事真的很難，所以教書的我是幸運的; 另一方面也要學會say no，那時的秀璋才真正成長。

人生得一知己足矣，教育和工作都是根植於愛中。最近對不住很多人，加班太多了，都是深夜一兩點，中午和坐公交的短暫時間都用來學習了，但很多程式設計問題都還來不及解答，房子也沒關心，部落格也來不及撰寫。唉，但想想她、親人、朋友和學生，我接著擦乾眼淚繼續前行，還有有你。這就是生活嗎？忙碌的你們也要注意休息哈。附一張上課圖片，忙取了。



（By:Eastmount 2017-10-19 清早9點  http://blog.csdn.net/eastmount/）

相關文章