Python3爬虫之入门和正则表达式

2017 年 10 月 9 日 全球人工智能

“全球人工智能”拥有十多万AI产业用户，10000多名AI技术专家。主要来自：北大，清华，中科院，麻省理工，卡内基梅隆，斯坦福，哈佛，牛津，剑桥...以及谷歌，腾讯，百度，脸谱，微软，阿里，海康威视，英伟达......等全球名校和名企。

前面的python3入门系列基本上也对python入了门，从这章起就开始介绍下python的爬虫教程，拿出来给大家分享；爬虫说的简单，就是去抓取网路的数据进行分析处理；这章主要入门，了解几个爬虫的小测试，以及对爬虫用到的工具介绍，比如集合，队列，正则表达式.

一、用python抓取指定页面：

代码如下：
```
import urllib.request url= "http://www.baidu.com"data = urllib.request.urlopen(url).read()#data = data.decode('UTF-8')print(data)
```
urllib.request.urlopen(url)官方文档返回一个 http.client.HTTPResponse 对象, 这个对象又用到的read()方法，返回数据；这个函数返回一个 http.client.HTTPResponse 对象，这个对象又有各种方法，比如我们用到的read()方法；

查找可变网址：

import urllibimport urllib.request data={}data['word']='one peace'url_values=urllib.parse.urlencode(data)url="http://www.baidu.com/s?"full_url=url+url_values a = urllib.request.urlopen(full_url)data=a.read()data=data.decode('UTF-8')print(data)##打印出网址：a.geturl()

data是一个字典，然后通过urllib.parse.urlencode()来将data转换为 ‘word=one+peace’的字符串，最后和url合并为full_url

二、python正则表达式介绍：

1.队列介绍:在爬虫的程序中用到了广度优先级算法，该算法用到了数据结构，当然你用list也可以实现队列，但是效率不高。现在在此处介绍下：

在容器中有队列：collection.deque

#队列简单测试：from collections import deque queue=deque(["peace","rong","sisi"])queue.append("nick")queue.append("pishi")print(queue.popleft())print(queue.popleft())print(queue)

2.集合介绍：在爬虫程序中, 为了不重复爬那些已经爬过的网站，我们需要把爬过的页面的url放进集合中，在每一次要爬某一个url之前，先看看集合里面是否已经存在。如果已经存在，我们就跳过这个url；如果不存在，我们先把url放入集合中，然后再去爬这个页面。

Python 还包含了一个数据类型—— set ( 集合 ) 。集合是一个无序不重复元素的集。基本功能包括关系测试和消除重复元素。集合对象还支持union( 联合),intersection(交),difference(差)和 sysmmetric difference(对称差集)等数学运算。

大括号或 set() 函数可以用来创建集合。注意：想要创建空集合，你必须使用set() 而不是 {} 。{}用于创建空字典；

3.集合的创建演示如下：

 a={"peace","peace","rong","rong","nick"}   print(a)   "peace" in  a   b=set(["peace","peace","rong","rong"])   print(b)   #演示联合   print(a|b)   #演示交   print(a&b)   #演示差   print(a-b)  #对称差集  print(a^b)#输出：    {'peace', 'rong', 'nick'}{'peace', 'rong'}{'peace', 'rong', 'nick'}{'peace', 'rong'}{'nick'}{'nick'}

4.正则表达式：在爬虫时收集回来的一般是字符流，我们要从中挑选出url就要求有简单的字符串处理能力，而用正则表达式可以轻松的完成这一任务；正则表达式的步骤：

正则表达式的编译
正则表达式匹配字符串
结果的处理

下图列出了正则表达式的语法：

Python3爬虫之入门和正则表达式_

在python中使用正则表达式，需要引入re模块；下面介绍下该模块中的一些方法；

1.compile和match：re模块中compile用于生成pattern的对象，再通过调用pattern实例的match方法处理文本最终获得match实例；通过使用match获得信息；

import re# 将正则表达式编译成Pattern对象pattern = re.compile(r'rlovep')# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回Nonem = pattern.match('rlovep.com')if m:# 使用Match获得分组信息    print(m.group())### 输出 #### rlovep

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。第二个参数flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile(‘pattern’, re.I | re.M)与re.compile(‘(?im)pattern’)是等价的。

可选值有：

re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
M(MULTILINE): 多行模式，改变’^’和’$’的行为（参见上图）
S(DOTALL): 点任意匹配模式，改变’.’的行为
L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

2、Match：Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：string: 匹配时使用的文本。re: 匹配时使用的Pattern对象。pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。方法：group([group1, …]): 获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。groups([default]): 以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。groupdict([default]): 返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。start([group]): 返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。end([group]): 返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。span([group]): 返回(start(group), end(group))。expand(template): 将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、 \g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达 \1之后是字符'0'，只能使用\g<1>0。

Pattern:

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：pattern: 编译时用的表达式字符串。flags: 编译时用的匹配模式。数字形式。groups: 表达式中分组的数量。groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。实例方法[ | re模块方法]：match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。 pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。 注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。 search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。 pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。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。finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 使用repl替换string中每一个匹配的子串后返回替换后的字符串。 当repl是一个字符串时，可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。 当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count用于指定最多替换次数，不指定时全部替换。subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 返回 (sub(repl, string[, count]), 替换次数)。

3.re.match(pattern, string, flags=0)

函数参数说明：

Python3爬虫之入门和正则表达式_

匹配成功re.match方法返回一个匹配的对象，否则返回None。
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

Python3爬虫之入门和正则表达式_

演示如下：

#re.match.import reprint(re.match("rlovep","rlovep.com"))##匹配rlovepprint(re.match("rlovep","rlovep.com").span())##从开头匹配rlovepprint(re.match("com","http://rlovep.com"))##不再起始位置不能匹配成功##输出：<_sre.SRE_Match object; span=(0, 6), match='rlovep'>(0, 6)None

实例二：使用group

import re line = "This is my blog"#匹配含有is的字符串matchObj = re.match( r'(.*) is (.*?) .*', line, re.M|re.I)#使用了组输出：当group不带参数是将整个匹配成功的输出#当带参数为1时匹配的是最外层左边包括的第一个括号，一次类推；if matchObj:    print ("matchObj.group() : ", matchObj.group())#匹配整个    print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一个括号    print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二个括号else:    print ("No match!!")#输出：matchObj.group() :  This is my blog matchObj.group(1) :  ThismatchObj.group(2) :  my

4.re.search方法

re.search 扫描整个字符串并返回第一个成功的匹配。

函数语法：

re.search(pattern, string, flags=0)

函数参数说明：

Python3爬虫之入门和正则表达式_

匹配成功re.search方法返回一个匹配的对象，否则返回None。

我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

Python3爬虫之入门和正则表达式_

实例一：

import reprint(re.search("rlovep","rlovep.com").span())print(re.search("com","http://rlovep.com").span())#输出：import reprint(re.search("rlovep","rlovep.com").span())print(re.search("com","http://rlovep.com").span())

实例二：

import re line = "This is my blog"#匹配含有is的字符串matchObj = re.search( r'(.*) is (.*?) .*', line, re.M|re.I)#使用了组输出：当group不带参数是将整个匹配成功的输出#当带参数为1时匹配的是最外层左边包括的第一个括号，一次类推；if matchObj:    print ("matchObj.group() : ", matchObj.group())#匹配整个    print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一个括号    print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二个括号else:    print ("No match!!")#输出：matchObj.group() :  This is my blog matchObj.group(1) :  ThismatchObj.group(2) :  my

5.search和match区别：

re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。

三、Python爬虫小试牛刀

利用python抓取页面中所有的http协议的链接，并递归抓取子页面的链接。使用了集合和队列；此去爬的是我的网站，第一版很多bug；

1.代码如下：

import reimport urllib.requestimport urllibfrom collections import deque#使用队列存放url queue = deque()>前面的python3入门系列基本上也对python入了门，从这章起就开始介绍下python的爬虫教程，拿出来给大家分享；爬虫说的简单，就是去抓取网路的数据进行分析处理；这章主要入门，了解几个爬虫的小测试，以及对爬虫用到的工具介绍，比如集合，队列，正则表达式；<!--more-->#使用visited防止重复爬同一页面visited = set()url = 'http://rlovep.com'  # 入口页面, 可以换成别的 #入队最初的页面queue.append(url)cnt = 0while queue:  url = queue.popleft()  # 队首元素出队  visited |= {url}  # 标记为已访问  print('已经抓取: ' + str(cnt) + '   正在抓取 <---  ' + url)  cnt += 1  #抓取页面  urlop = urllib.request.urlopen(url)  #判断是否为html页面  if 'html' not in urlop.getheader('Content-Type'):    continue  # 避免程序异常中止, 用try..catch处理异常  try:   #转换为utf-8码    data = urlop.read().decode('utf-8')  except:    continue  # 正则表达式提取页面中所有队列, 并判断是否已经访问过, 然后加入待爬队列  linkre = re.compile("href=['\"]([^\"'>]*?)['\"].*?")  for x in linkre.findall(data):##返回所有有匹配的列表    if 'http' in x and x not in visited:##判断是否为http协议链接，并判断是否抓取过      queue.append(x)      print('加入队列 --->  ' + x)