您好,登錄后才能下訂單哦!
Python中怎么利用正則抓取數(shù)據(jù),針對這個問題,這篇文章詳細介紹了相對應(yīng)的分析和解答,希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。
1、正則表達式基礎(chǔ)
(1)一般字符
(2)預(yù)定義字符集
(3)數(shù)量詞
(4)邊界匹配
備注:最常用的一種匹配方式(.*?)代表匹配任意字符
2、re模塊使用方法
re模塊使得Python擁有全部的正則表達式功能。
常用函數(shù)1:search()函數(shù)匹配并提取第一個符合規(guī)律的內(nèi)容,返回一個正則表達對象
常用函數(shù)2:findall()函數(shù)匹配所有符合規(guī)律的內(nèi)容,并以列表的形式返回結(jié)果
備注:一般在爬取數(shù)據(jù)時候還是以findall使用居多
re模塊修飾符
3、案例實踐
案例名稱:爬取《斗破蒼穹》全文小說
網(wǎng)絡(luò)鏈接:http://www.doupoxs.com/doupocangqiong/
爬取思路:
(1)打開網(wǎng)頁,了解網(wǎng)頁URL信息,通過打開第一章和第二章發(fā)現(xiàn)鏈接如下
http://www.doupoxs.com/doupocangqiong/1.html
http://www.doupoxs.com/doupocangqiong/2.html
http://www.doupoxs.com/doupocangqiong/3.html
明顯鏈接通過數(shù)字遞加來對每一章節(jié)進行分頁。
(2)爬取全文信息,查找對應(yīng)的位置如下
(3)數(shù)據(jù)存儲到TXT文本中
4、詳細代碼如下:
import requests
import re
import time
headers={
"User-Agent":請求頭}
f=open('doupo.txt','a+')
def get_info(url):
res=requests.get(url,headers=headers)
if res.status_code==200:
contents = re.findall('<p>(.*?)<p>',res.content.decode('utf-8'),re.S)
for content in contents:
f.write(content+'\n')
print(content)
else:
pass
if __name__=='__main__':
urls=['http://www.doupoxs.com/doupocangqiong/{}.html'.format(i) for i in range(2,10)]
for url in urls:
get_info(url)
time.sleep(1)
f.close()
運行結(jié)果如下:
關(guān)于Python中怎么利用正則抓取數(shù)據(jù)問題的解答就分享到這里了,希望以上內(nèi)容可以對大家有一定的幫助,如果你還有很多疑惑沒有解開,可以關(guān)注億速云行業(yè)資訊頻道了解更多相關(guān)知識。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。