在 Python 爬虫过程中,实现网页元素解析的方法有很多,正则解析只是其中之一,常见的还有 BeautifulSoup 和 lxml,它们都支持网页 HTML 元素的解析操作。本节重点讲解如何使用 re 正则解析模块实现网页信息的提取。
注意:在学习本节知识之前,您应该基本掌握了 Python re 模块的常用方法。
该方法用来生成正则表达式对象,其语法格式如下:
参数说明:
根据正则表达式匹配目标字符串内容。
该函数的返回值是匹配到的内容列表,如果正则表达式有子组,则只能获取到子组对应的内容。参数说明如下:
该函数根据正则表达式对象匹配目标字符串内容。其语法格式如下:
参数说明:
该函数使用正则表达式匹配内容,切割目标字符串。返回值是切割后的内容列表。参数说明:
参数说明:
该函数使用一个字符串替换正则表达式匹配到的内容。返回值是替换后的字符串。其语法格式如下:
其参数说明:
匹配目标字符串第一个符合的内容,返回值为匹配的对象。语法格式如下:
参数说明:
功能标志位的作用是扩展正则表达的匹配功能。常用的 flag 如下所示:
缩写元字符 | 说明 |
---|---|
A | 元字符只能匹配 ASCII码。 |
I | 匹配忽略字母大小写。 |
S | 使得.元字符可以匹配换行符。 |
M | 使 ^ $ 可以匹配每一行的开头和结尾位置。 |
注意:可以同时使用福多个功能标志位,比如 flags=re.I|re.S。
下面使用贪婪和非贪婪两种模式来匹配 HTML 元素,分别,如下所示:
import re
html="""
<div><p>www.cdsy.xyz</p></div>
<div><p>城东书院</p></div>
"""
#贪婪匹配,re.S可以匹配换行符
#创建正则表达式对象
pattern=re.compile('<div><p>.*</p></div>',re.S)
#匹配HTMLX元素,提取信息
re_list=pattern.findall(html)
print(re_list)
#非贪婪模式匹配,re.S可以匹配换行符
pattern=re.compile('<div><p>.*?</p></div>',re.S)
re_list=pattern.findall(html)
print(re_list)
输出结果:
从上述输出结果可以得出非贪婪模式比适合提取 HTML 信息。
通过正则表达式分组可以从匹配的信息中提取出想要的信息。示例演示:
#正则表达式分组
website="城东书院 www.cdsy.xyz"
#提取所有信息
#注意此时正则表达式的 "." 需要转义因此使用 \.
pattern_1=re.compile('\w+\s+\w+\.\w+\.\w+')
print(pattern_1.findall(website))
#提取匹配信息的第一项
pattern_2=re.compile('(\w+)\s+\w+\.\w+\.\w+')
print(pattern_2.findall(website))
#有两个及以上的()则以元组形式显示
pattern_3=re.compile('(\w+)\s+(\w+\.\w+\.\w+)')
print(pattern_3.findall(website))
输出结果:
正则表达式分组是提取信息的常用方式。当需要哪个特定信息的时候,就可以通过分组(也就是加括号)的方式获得。
实战演练:从下面的 HTML 代码中使用 re 模块提取出两部影片的名称和主演信息。
html="""
<div class="movie-item-info">
<p class="name">
<a title="你好,李焕英">你好,李焕英</a>
</p>
<p class="star">
主演:贾玲,张小斐,沈腾
</p>
</div>
<div class="movie-item-info">
<p class="name">
<a title="刺杀,小说家">刺杀,小说家</a>
</p>
<p class="star">
主演:雷佳音,杨幂,董子健,于和伟
</p>
</div>
"""
# 寻找HTML规律,书写正则表达式,使用正则表达式分组提取信息
pattern=re.compile(r'<div.*?<a title="(.*?)".*?star">(.*?)</p.*?div>',re.S)
r_list=pattern.findall(html)
print(r_list)
# 整理数据格式并输出
if r_list:
for r_info in r_list:
print("影片名称:",r_info[0])
print("影片主演:",r_info[1].strip())
print(20*"*")
输出结果如下: