常用正则表达式爬取网页信息及分析HTML标签总结

￡神魔★判官ぃ 2021-06-26 16:06 313阅读 0赞

这篇文章主要是介绍`Python`爬取网页信息时，经常使用的正则表达式及方法。它是一篇总结性文章，实用性比较大，主要解决自己遇到的爬虫问题，也希望对你有所帮助~  
当然如果会`Selenium`基于自动化测试爬虫、`BeautifulSoup`分析网页`DOM`节点，这就更方便了，但本文更多的是介绍基于正则的底层爬取分析。

--------------------

## 1.获取`<tr></tr>`标签之间内容 ##

该部分主要是通过正则表达式获取两个标签之间的内容，通常这种标签都是成对出现的。  
开始标签如：`<tr>、<th>、<td>、<a>、<table>、<div>...`  
后缀标签如：`</tr>、</th>、</td>、</a>、</table>、</div>...`

核心代码：

res_tr = r'<tr>(.*?)</tr>'
            m_tr =  re.findall(res_tr,language,re.S|re.M)

例子：

# coding=utf-8
    import re
    
    language = '''<tr><th>性別：</th><td>男</td></tr><tr>'''
    
    #正则表达式获取<tr></tr>之间内容
    res_tr = r'<tr>(.*?)</tr>'
    m_tr =  re.findall(res_tr,language,re.S|re.M)
    for line in m_tr:
        print line
        #获取表格第一列th 属性
        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防止乱
        #获取表格第二列td 属性值
        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')

输出如下所示：  
![这里写图片描述][20180905220108554]

`python`通过`re`模块提供对正则表达式的支持。使用`re`的一般步骤是先将正则表达式的字符串形式编译为`Pattern`实例，然后使用`Pattern`实例处理文本并获得匹配结果（一个`Match`实例），最后使用`Match`实例获得信息，进行其他的操作。

`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的常见参数包括：

re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法）
            re.M(re.MULTILINE): 多行模式，改变'^'和'$'的行为
            re.S(re.DOTALL): 点任意匹配模式，改变'.'的行为

--------------------

## 2.获取超链接`<a href=..></a>`之间内容 ##

通常在使用正则表达式时，需要分析网页链接，获取URL或网页内容。核心代码如下：

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：

# coding=utf-8
    import re
    
    content = ''' <td> <a href="https://www.baidu.com/articles/zj.html" title="浙江省">浙江省主题介绍</a> <a href="https://www.baidu.com//articles/gz.html" title="贵州省">贵州省主题介绍</a> </td> '''
    
    #获取<a href></a>之间的内容
    print u'获取链接文本内容:'
    res = r'<a .*?>(.*?)</a>'
    mm =  re.findall(
    res, content, re.S|re.M)
    for value in mm:
        print value
    
    #获取所有<a href></a>链接所有内容
    print u'\n获取完整链接内容:'
    urls=re.findall(r"<a.*?href=.*?<\/a>", content, re.I|re.S|re.M)
    for i in urls:
        print i
    
    #获取<a href></a>中的URL
    print u'\n获取链接中URL:'
    res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
    link = re.findall(res_url ,  content, re.I|re.S|re.M)
    for url in link:
        print url

输出如下图所示：  
![这里写图片描述][20180905220410723]

当然如果是通过`Selenium`分析`DOM`树结构获取`href`对应的`url`或`title`中的值，其核心代码如下所示，这里主要是给大家做个对比，理解不同方法的优势：

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

参考文章：\[python爬虫\] Selenium定向爬取虎扑篮球海量精美图片

--------------------

## 3.获取URL最后一个参数命名图片或传递参数 ##

通常在使用`Python`爬取图片过程中，会遇到图片对应的`URL`最后一个字段通常用于命名图片，如虎扑孙悦妻子图片：

http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg

此时需要通过该URL的”/”后面的参数命名图片，则方法如下：

urls = "http://i1.hoopchina.com.cn/blogfile/201411/11/BbsImg141568417848931_640*640.jpg"
    values = urls.split('/')[-1]
    print values

输出如下所示：

>>> 
    BbsImg141568417848931_640*640.jpg
    >>>

在使用`Python`获取`GET`方法的`URL`链接中，还可能存在传递参数的值。  
此时获取参数方法如下：

url = 'http://localhost/test.py?a=hello&b=world'  
    values = url.split('?')[-1]  
    print values  
    for key_value in values.split('&'):
        print key_value.split('=')

输出如下所示：

>>> 
    a=hello&b=world
    ['a', 'hello']
    ['b', 'world']
    >>>

--------------------

## 4.爬取网页中所有URL链接 ##

在学习爬虫过程中，你肯定需要从固有网页中爬取URL链接，再进行下一步的循环爬取或URL抓取。如下，爬取CSDN首页的所有URL链接。

# coding=utf-8
    import re
    import urllib
    
    url = "http://www.csdn.net/"
    content = urllib.urlopen(url).read()
    urls = re.findall(r"<a.*?href=.*?<\/a>", content, re.I)
    for url in urls:
        print unicode(url,'utf-8')
    
    link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", content)
    for url in link_list:  
        print url

输出如下所示：

>>> 
    <a href="https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn">登录</a>
    <a href="http://passport.csdn.net/account/mobileregister?action=mobileRegister">注册</a>
    <a href="https://passport.csdn.net/help/faq">帮助</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.爬取网页标题title两种方法 ##

获取网页标题也是一种常见的爬虫，如我在爬取维基百科国家信息时，就需要爬取网页`title`。通常位于`<html><head><title>`标题`</title></head></html>`中。  
下面是爬取CSDN标题的两种方法介绍：

# coding=utf-8
    import re
    import urllib
    
    url = "http://www.csdn.net/"
    content = urllib.urlopen(url).read()
    
    print u'方法一:'
    title_pat = r'(?<=<title>).*?(?=</title>)'  
    title_ex = re.compile(title_pat,re.M|re.S)  
    title_obj = re.search(title_ex, content)
    title = title_obj.group()
    print title
    
    print u'方法二:'
    title = re.findall(r'<title>(.*?)</title>', content)
    print title[0]

输出如下所示：

>>> 
    方法一:
    CSDN.NET - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台
    方法二:
    CSDN.NET - 全球最大中文IT社区，为IT专业技术人员提供最全面的信息传播和服务平台
    >>>

--------------------

## 6.定位`table`位置并爬取属性-属性值 ##

如果使用Python库的一些爬取，通常可以通过`DOM`树结构进行定位，如代码：

参考文章：\[Python爬虫\] Selenium实现自动登录163邮箱和Locating Elements介绍

但如果是正则表达式这种相对传统傻瓜式的方法，通过通过`find`函数寻找指定`table`方法进行定位。如：获取`Infobox`的`table`信息。  
通过分析源代码发现“程序设计语言列表”的消息盒如下：

<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>
    
    start = content.find(r'<table class="infobox vevent"') #起点记录查询位置 end = content.find(r'</table>')      
    infobox = language[start:end]  
    print infobox

`print infobox` 输出其中一门语言`ActionScript`的`InfoBox`消息盒部分源代码如下：

<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;;;">发行时间</th>   
    <td style=";;">1998年</td>   
    </tr>   
    <tr>   
    <th scope="row" style="text-align:left;white-space:nowrap;;;">实现者</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;;;">启发语言</th>   
    <td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td>   
    </tr>   
    </table>

参考文章：\[python学习\] 简单爬取维基百科程序语言消息盒  
然后再在这个`infobox`内容中通过正则表达式进行分析爬取。下面讲述爬取属性-属性值：  
爬取格式如下：

其中`th`表示加粗处理，`td`和`th`中可能存在属性如`title、id、type`等值；同时`<td></td>`之间的内容可能存在`<a href=..></a>`或`<span></span>`或`<br />`等值，都需要处理。下面先讲解正则表达式获取`td`值的例子：  
参考：[http://bbs.csdn.net/topics/390353859?page=1][http_bbs.csdn.net_topics_390353859_page_1]

Python代码如下：

# coding=utf-8
    import re
    
    s = '''<table> <tr> <td>序列号</td><td>DEIN3-39CD3-2093J3</td> <td>日期</td><td>2013年1月22日</td> <td>售价</td><td>392.70 元</td> <td>说明</td><td>仅限5用户使用</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防止乱码 
    
    #输出结果如下： 
    #序列号 DEIN3-39CD3-2093J3 
    #日期 2013年1月22日 
    #售价 392.70 元 
    #说明 仅限5用户使用

如果`<td id="">`包含该属性则正则表达式为`r'<td id=.*?>(.*?)</td>'`；同样如果不一定是`id`属性开头，则可以使用正则表达式`r'<td .*?>(.*?)</td>'`。

--------------------

## 7.过滤`<span></span>`等标签 ##

在获取值过程中，通常会存在`<span>、<br>、<a href>`等标签，下面举个例子过滤。

<td><span class="nickname">(字) 翔宇</span></td>过滤标签<span>核心代码：
        elif "span" in nn: #处理标签<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'),

代码如下，注意print中逗号连接字符串：

# coding=utf-8
    import re
    
    language = ''' <table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3"> <caption style="text-align: center; font-size: larger;" class="fn"><b>周恩来</b></caption> <tr> <th>性別：</th> <td>男</td>d </tr> <tr> <th>異名：</th> <td><span class="nickname">(字) 翔宇</span></td> </tr> <tr> <th>政黨：</th> <td><span class="org"><a href="../articles/%E4%B8%AD9A.html" title="中国共产党">中国共产党</a></span></td> </tr> <tr> <th>籍貫：</th> <td><a href="../articles/%E6%B5%9981.html" title="浙江省">浙江省</a><a href="../articles/%E7%BB%8D82.html" title="绍兴市">绍兴市</a></td> </tr> </table> ''' 
    
    #获取table中tr值
    res_tr = r'<tr>(.*?)</tr>'
    m_tr =  re.findall(res_tr,language,re.S|re.M)
    for line in m_tr:
        #获取表格第一列th 属性
        res_th = r'<th>(.*?)</th>'   
        m_th = re.findall(res_th,line,re.S|re.M)
        for mm in m_th:
            if "href" in mm: #如果获取加粗的th中含超链接则处理
                restr = r'<a href=.*?>(.*?)</a>'
                h = re.findall(restr,mm,re.S|re.M)
                print unicode(h[0],'utf-8'), #逗号连接属性值 防止换行
            else:
                print unicode(mm,'utf-8'),   #unicode防止乱
    
        #获取表格第二列td 属性值
        res_td = r'<td>(.*?)</td>'  #r'<td .*?>(.*?)</td>'
        m_td = re.findall(res_td,line,re.S|re.M)
        for nn in m_td:
            if "href" in nn: #处理超链接<a href=../rel=..></a>
                res_value = r'<a .*?>(.*?)</a>'
                m_value = re.findall(res_value,nn,re.S|re.M)
                for value in m_value:
                    print unicode(value,'utf-8'),
            elif "span" in nn: #处理标签<span>
                res_value = r'<span .*?>(.*?)</span>'
                m_value = re.findall(res_value,nn,re.S|re.M) #<td><span class="nickname">(字) 翔宇</span></td>
                for value in m_value:
                    print unicode(value,'utf-8'),
            else:
                print unicode(nn,'utf-8'),
            print ' ' #换行

输出如下所示：

>>> 
    性別： 男  
    異名： (字) 翔宇  
    政黨： 中国共产党  
    籍貫： 浙江省 绍兴市  
    >>>

--------------------

## 8.获取`<script></script>`等标签内容 ##

比如在获取游讯网图库中，图集对应的原图它是存储在`script`中，其中获取原图`-original`即可，缩略图`-thumb`，大图`-big`，通过正则表达式下载URL：

res_original = r'"original":"(.*?)"' #原图
            m_original = re.findall(res_original,script)

代码如下：

# coding=utf-8
    import re
    import os 
    
    content = ''' <script>var images = [ { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "title":"","descript":"","id":75109}, { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg", "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg", "original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg", "title":"","descript":"","id":75110}, </script> ''' 
    
    html_script = r'<script>(.*?)</script>'  
    m_script = re.findall(html_script,content,re.S|re.M)  
    for script in m_script:
        res_original = r'"original":"(.*?)"' #原图
        m_original = re.findall(res_original,script)
        for pic_url in m_original:
            print pic_url
            filename = os.path.basename(pic_url) #去掉目录路径,返回文件名
            urllib.urlretrieve(pic_url, 'E:\\'+filename) #下载图片

运行结果如下图所示，同时下载图片至E盘。  
![这里写图片描述][20180905221923741]

--------------------

## 9.通过`replace`过滤`<br />`标签 ##

在获取值过程中，通常会存`<br />`标签，它表示`HTML`换行的意思。常用的方法可以通过标签`'<'`和’>’进行过滤，但是这里我想讲述的是一种`Python`常用的过滤方法，在处理中文乱码或一些特殊字符时，可以使用函数`replace`过滤掉这些字符。核心代码如下：

if '<br />' in value:
            value = value.replace('<br />','')   #过滤该标签
            value = value.replace('\n',' ')         #换行空格替代 否则总换行

例如过滤前后的例子：

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.获取`<img ../>`中超链接及过滤`<img>`标签 ##

在获取值属性值过程中，可能在分析`table/tr/th/td`标签后，仍然存在`<img />`图片链接，此时在获取文字内容时，你可能需要过滤掉这些`<img>`标签。这里采用的方法如下：

value = re.sub('<[^>]+>','', value)

例如：

#encoding:utf-8  
        import os  
        import re  
    
        value = ''''' 
        <table class="infobox" style="width: 21em; text-align: left;" cellpadding="3"> 
        <tr bgcolor="#CDDBE8"> 
        <th colspan="2"> 
        <center class="role"><b>中华民国政治人士</b><br /></center> 
        </th> 
        </tr> 
        <tr> 
        <th>性别：</th> 
        <td>男</td> 
        </tr> 
        <tr> 
        <th>政党：</th> 
        <td><span class="org"> 
        <img alt="中国国民党" src="../../../../images/Kuomintang.svg.png" width="19" height="19" border="0" /> 
        <a href="../../../../articles/%8B%E6%B0%91%E9%BB%A8.html" title="中国国民党">中国国民党</a></span></td> 
        </tr> 
        </table> 
        '''  
    
        value = re.sub('<[^>]+>','', value) #过滤HTML标签  
        print value

输出如下：

>>>   
    
        中华民国政治人士  
    
        性别：  
        男  
    
        政党：  
    
        中国国民党  
    
        >>>

虽然仅仅包括汉字，但是中间会存在换行，需要过滤`<br />`即可：

if '<br />' in value:  
            value = value.replace('<br />','')  
            value = value.replace('\n',' ')  
        value = re.sub('<[^>]+>','', value) #过滤HTML标签 
        print value  
        #输出仅仅一行如下： 
        #中华民国政治人士 性别： 男 政党： 中国国民党

下面讲述第二部分，通过正则表达式获取`<img>`中的`src`超链接，代码如下：

test = '''''<img alt="中国国民党" src="../images/Kuomintang.png" width="19" height="19" border="0" />'''  
        print re.findall('src="(.*?)"',test)

输出如下所示：

>>>      
        ['../images/Kuomintang.png']  
        >>>

`findall`函数返回的总是正则表达式在字符串中所有匹配结果的列表，即`findall`中返回列表中每个元素包含的信息。

[20180905220108554]: /images/20210626/c78a7096d0b348b8a8d5af4af8aedaa3.png
[20180905220410723]: /images/20210626/a97d8fc436634c459855b3f71b91800b.png
[http_bbs.csdn.net_topics_390353859_page_1]: http://bbs.csdn.net/topics/390353859?page=1
[20180905221923741]: /images/20210626/26600b924785471b86dd749046443c2b.png