python爬虫——数据爬取和具体解析

关于正则表达式的更多用法，可参考链接：https://blog.csdn.net/weixin_40040404/article/details/81027081

一、正则表达式：

1.常用正则匹配：

URL：^https?://[a-zA-Z0-9.?=&]*$ (re.S模式，匹配 https://www.baidu.com 类似URL )
常用Email地址：[0-9a-zA-Z_-]+@[0-9a-zA-Z_-]+.[0-9a-zA-Z_-]+ 或者 [w-]+@[w-]+.[w-]+
中文字符匹配：[u4e00-u9fa5]+ 或者 [^x00-xff]+
QQ号：[1-9][0-9]{4,} ({4，}表示[0-9]的数字个数不低于4个)
ID：^[1-9]d{5}(18|19|([23]d))d{2}((0[1-9])|(10|11|12))(([0-2][1-9])|10|20|30|31)d{3}[0-9Xx]$

2.特殊组合：

([sS]*?) == ([. ]*?) == re.findall(‘.*?‘, re.S)

万能正则表达式 （加‘？’表示懒惰模式，尽可能最小长度匹配； 不加‘？’表示贪婪模式，尽可能最大长度匹配）
sS : 空白字符+非空白字符，即表示所有字符 all, == ’ . ‘(.表示除换行符之外的任意字符， 表示换行符)
re.S: 即DOTAALL 点匹配任意模式，改变.的行为，可以匹配换行符

二、例子

获取博客园的其中一篇文章的内容，保存至文档中。（具体解析在代码注释中可见）

1.源代码

import requests
import re
import json

def request_blog(url):
    # 异常处理代码块
    try:
        #同步请求
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
    except requests.RequestException:
         return None

def parse_result(html):
   # re正则表达式,re.compile是对匹配符的封装，直接用re.match(匹配符，要匹配的原文本)可以达到相同的效果, 
   # 当然，这里没有用re.match来执行匹配，而是用了re.findall，这是因为后者可以适用于多行文本的匹配。
   # 另外，re.compile后面的第2个参数，re.S是用来应对换行的，.匹配的单个字符不包括
和
，当遇到换行时，我们需要用到re.S

   # 获取网页中的<p>标签中的内容，遇到换行符时，自动跳出循环
   # 格式：标签加.*？，.*?表示取标签中的所有数据
    pattern = re.compile('<p>.*?</p>',re.S)
    items = re.findall(pattern, html)
    return items

def write_item_to_file(item):
    print('写入数据:' + str(item))
    # 保存的文件名blog.txt，写入文件的格式a追加，写入文件的中文格式化UTF-8
    with open('blog.txt', 'a', encoding='UTF-8') as f:
        # 遇到换行符时，自动换行
        f.write(json.dumps(item, ensure_ascii=False) + '
')

def main(page):
    # 网址
    url = 'https://www.cnblogs.com/chenting123456789/p/11840740.html' + str(page)
    # 调用获取网页数据的函数
    html = request_blog(url)
    # 调用解析已获取的网页数据的函数
    items = parse_result(html)
    # 循环写入文件
    for item in items:
        write_item_to_file(item)

if __name__ == "__main__":
    for i in range(1,5):
        main(i)

2.运行结果

 3.原文文章截图

 4.写入文件内容

三、小结

强化爬虫爬取网页信息的技术，以及解析数据时的逻辑顺序。