目录
正则表达式
匹配单个字符
匹配多个字符
匹配分组
电影TOP100正则爬取
jsonpath的使用
lxml模块和xpth语法学习
xpath语法
xpath语法的妙用
lxml模块的使用
正则表达式用法： re模块 match 方法
import re
# 使用match方法进行匹配操作
res = re.match('hello', 'hello world')
#如果上面匹配到数据的话，可以使用group方法来提取数据
print(res)
print(res.group())除了使用match 方法，还有search方法 findall方法，sub方法 ，compile方法，用处不相同，先不举例了
匹配单个字符 .匹配任意一个字符(除了换行符‘\n’) 如果匹配‘ . ’则需要用转义字符\.来表示[ ]匹配[ ]中列举的字符，[a-zA-Z0-9],[a-zA-Z]表示所有字母和数字\d匹配数字0-9\D匹配非数字，即不是数字的其他任何值\s匹配空白，即空格或tab键\S匹配非空白\w匹配单词字符，即0-9，a-z，A-Z，_，中文字符等\W匹配非单词字符 匹配多个字符 *匹配前一个字符出现0次或者无限次，即可有可无+匹配前一个字符出现1次或者无限次，即至少有1次?匹配前一个字符出现1次或者0次，即要么有1次，要么没有{m}匹配前一个字符出现m次{m,}匹配前一个字符至少出现m次{m,n}匹配前一个字符出现从m到n 匹配分组|匹配左右任意一个表达式(ab)将括号中字符作为一个分组\num引用分组num匹配到的字符串(?P)分组起别名(?P=name)引用别名为name分组匹配到的字符串
例子很多，不码了
熟悉使用这些规则可以到这个网站：编程胶囊
电影TOP100正则爬取import re
import requests
#定义一个方法获取html
def get_html(url):
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
}
response = requests.get(url,headers=headers)
response.encoding="utf-8" #记得编码一下 否则乱码
return response.text
def get_movie(html):
#正则表达式提取 排名 名字 演员 时间
pattern = re.compile(r'.*?board-index.*？>(\d+)'
r'.*?title="(.*？)"'
r'.*?star(.*？)'
r'.*?releasetime(.*？).*?'
r'', re.S)
#re.S用来匹配掉HTML代码中一些空格和换行符
r= re.findall(pattern,html) #findall方法匹配一下
print(r)
def main():
url = "https://www.maoyan.com/board/4?timeStamp=1640940899645&sVersion=1&requestCode=f981fcd1f588f0956b1e65a57b93a4e0zdnzj&webdriver=false&index=6&signKey=c8cfdab2d87af2ba1ee53b09aa767f4f&channelId=40011"
html = get_html(url)
get_movie(html)
if __name__ == '__main__':
main()运行出来是空列表 ，猫眼不让爬取了
用正则感觉好难
每个电影的信息都在一个的标签里面，所以开头结尾写上这个标签
前后有一些标签符号可以用 .*? 来匹配掉， .*用来匹配所有的字符，？把贪婪状态改为非贪婪
\d+ 表示排名数字，结尾
后面也是同样方法
表示不好实操，难理解
jsonpath的使用安装jsonpath，一般直接pip install jsonpath 就行，我的依旧不行
各种问题又来了，写了一下自己的解决思路：解决办法
jsonpath 语法（一般只用 $ 和 . 和 ..）
JSONPATH说明$文档根元素@当前元素.或[]匹配下级元素··递归匹配所有子元素*通配符，匹配下级元素import jsonpath
data = {'key1': {'key2': {'key3': {'key4': {'key5': {'key6': 'python'}}}}}}
#用字典的key值 一个个的去取
result = data['key1']['key2']['key3']['key4']['key5']['key6']
print(result)
#用jsonpath
#第一个参数放提取的数据data，第二个参数写jsonpath的语法
# $表示根节点 .表示从根节点开始的第一个值
print(jsonpath.jsonpath(data,'$.key1'))
#如果要拿python，用.. $..key7
print(jsonpath.jsonpath(data,'$..key6'))
常用符号
符号说明举例/表示从root开始查找，或者表示子节点/html/body/div//表示从任意层级开始查找//div*通配符，表示任意元素@获取属性//img[@alt=‘xxx’].当前层级或当前节点…上一层级或父节点//div/…/img网页中的信息如下
我们想要得到Python， 看HTML代码
XPath Helper 插件输入
//div[@class="main-content J-content"]/dl/dd/h1一级一级输入即能得到想要的，上面就是要学习的xpath语法
我们上网 “借鉴” 作文的时候，某些网站会禁止穷人复制，我们可以用xpath来 “ 学习 ”一下
直接在网页 按住shift键，XPath Helper 会自动生成对应的语法 和 内容
XPath Helper 真的是非常地人性化啊，哈哈哈哈
lxml模块的使用安装lxml又给自己干懵逼了，捣鼓两三个小时，解决了自己的问题
写了个解决方法
lxml 是 一个 HTML/XML 的解析器，主要的功能是如何解析和提取 HTML/XML 数 据
lxml 模块 实现了xpath与python爬虫的交互
from lxml import etree
text = '''
- 1
- 2
- 3
- 4
- 5
'''
# 可以把text里面的内容生成一个HTML对象，相当于我们在网上拿到的HTML代码
html = etree.HTML(text)
# xpath()语法,获取上面a标签的内容 用text（）
html_list = html.xpath('//a/text()')
print(html_list)
# 获取href属性后面的链接 ，获取属性用@
href_list = html.xpath('//a/@href')
print(href_list)
# 以键值对的形式输出
# 先定义一个空字典
data_dict = {}
for key in href_list:
index = href_list.index(key) #用index方法获取key的下标
data_dict[key] =html_list[index]
print(data_dict)
因为第一个a标签没有href属性，导致kry：value值没有一一对应上
这个问题的本质就是因为href_list这个列表少一个，少一个的原因是在这个
xpath语句里面直接取了href ‘’href_list = html.xpath('//a/@href')‘’
换个思路，不直接取herf属性，取a标签，通过a标签取键值对
#取a标签
a_list = html.xpath('//a')
print(a_list)
#写一个for循环，直接通过a来调用xpath方法
for a in a_list:
print(a.xpath('.//text()'), a.xpath('.//@href'))
#此时a就是根节点 .是当前节点 //是取当前节点的任意内容
