爬虫入门实战系列（六）正则/bs4/xpath比较-爬取公众号文章正文

目标：爬取介个微信公众号文章的正文内容

 https://mp.weixin.qq.com/s/DNtuRvc9NM88eBEX61IpAQ

(也就是红框框里面的内容啦~)

---

先观察一波网页结构

在浏览器网页界面，用熟悉的F12，及快捷键组合“Shift+Ctrl+c”，很容易就定位到正文内容的标签，是在一堆section标签，里的span标签里。

PS：在观察网页结构时，↓会留意到这个微信网页是有JavaScript加载的内容的（script就是描述js内容属性的典型标签~），但是！这次咱选择爬取的文字内容，并非包含在js相关标签内，试试看果然是这样的~

---

学习使用正则爬取

简述正则

首先，什么是正则？-个人理解它是一种描述文本信息的语法结构；

那么，为什么要用正则呢？-我截取了一部分来自菜鸟教程的介绍：

正则其实应用广泛，在爬虫学习实践方面，我们可以用正则语法，去匹配定位网页编码中的字符内容；还可以用正则语法进行字符串内的截取、替换操作，从而获得规整（理想）格式的字符串数据；比较于bs库、lxml库的网页内容定位，用正则语法的方式也可以发挥同样的内容定位作用。

py爬虫中的正则用法

详细的可以详阅菜鸟编程：

Python 正则表达式

这里咱参考菜鸟编程的说明，选择性介绍：

1.首先我们需要引入re模块（库），从而为python提供完整地正则表达式功能；

2.使用re.match()函数可以从字符串的起始位置（因为有这个限制，用起来似乎不大灵活，就不详叙哩~），匹配符合要求正则语法的字符串。

3.使用re.search()函数，可以扫描整个字符串，并返回第一个成功的匹配（但只能匹配第一个，爬虫一般也是匹配多个相同规则的内容，也不详述哩~）

*4.使用re.sub(),可以替换/删除字符串中的匹配项，咱一般直接用str下面的.replace()方法去实现同样的操作，检索查询了解到re下的.sub()方法稍微更强大一些，比如可以把多种不同类型的字符统一替换、删除。

另外str字符串处理相关的.strip()、.split()、.join()方法也是极为常用的，.strip()可以高效处理字符串首尾的空格、换行等多余占位符；.split()可以根据字符串中的分隔符，将单一字符串拆分；.join()则可以将多个字符串合并，并且可以选择插入间隔分隔符。

5.re.compile()函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。（后面这俩这里不细说，这个也不细说啦~）

*6.re.findall()函数，用于在字符串中找到正则表达式所匹配的所有子串，并返回一个列表（返回list类型），如果没有找到匹配的，则返回空列表。这个咱用的最多，可以一次匹配所有符合正则表达式的字符串内容~

类似的re.finditer()，在字符串中找到正则表达式所匹配的所有子串后，则以迭代器的方式返回（也就是要用for...in...来遍历读取结果）。

另外列一些常用的正则表达式语法：

^	匹配字符串的开头
$	匹配字符串的末尾。
.	匹配任意字符，除了换行符
[^...]	不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。
re*	匹配0个或多个的表达式。
re+	匹配1个或多个的表达式。
re?	匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
re{ n, m}	匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
a| b	匹配a或b
(re)	对正则表达式分组并记住匹配的文本
\s	匹配任意空白字符，等价于 [\t\n\r\f].
\S	匹配任意非空字符
\d	匹配任意数字，等价于 [0-9].
\D	匹配任意非数字

特别要提贪婪匹配和非贪婪匹配，贪婪匹配就是为了不漏就尽可能多的匹配，往往通过在表达式内，尤其末尾加*号来实现，因为*号代表可以匹配0到多个符合正则表达式的字符串；非贪婪匹配则常通过搭配?号实现，即匹配0个或1个就好了（知足哈~）。 

---

正则实战爬取部分

先requests一波获取返回请求，没带headers也过了哈哈，返回200系。

import requests
url='https://mp.weixin.qq.com/s/DNtuRvc9NM88eBEX61IpAQ'
html=requests.get(url)
html

引入re库，写一下正则规则，然后从html.text，即网页编码文本从匹配所有符合项： 

import re
content=re.findall(r'rgb\(63\, 63\, 63\)\;\"\>(.*?)\<\/span',html.text)
content  #看一下content列表里的内容，发现正文应该都在里面了，虽然还有一些无关的占位符标签

这里的正则表达式是这么写的呢？

首先咱观察一下html.text，并复制一截正文内容，使用ctrl+f手动查找定位到字符串附近，然后观察发现正文字符串都为一个span标签包裹着（注意看涂黄部分，有规律滴~）//这个手动定位过程和在浏览器控制台的定位是一样的哈~

咱复制一段下来,包含正文内容的各个span标签差不多都这样子：

2月7日晚上，西安高...的通知：

书写对应的正则，是这样个过程：

2月7日晚上，西安高...的通知：
r''  #1先一个转义字符r和''
r'rgb(63, 63, 63);">2月7日晚上，西安高...的通知：'   #2把正文及两侧的标签内容复制进''，咱这里右边是完整的，左边没整完整的，嫌长，只要复制到的两侧内容是独特的就不一定要完整放入
r'rgb(63, 63, 63);">(.*?)'  #3把正文内容用正则语法替换，注意要非贪婪模式，贪婪模式也可以试试哈
r'rgb\(63\, 63\, 63\)\;\"\>(.*?)\<\/span\>'  #4在原来两侧标签所有符号前面添加转义符\，把特殊符号都转译成程序能识别的；于是就写完收工~

.findall()找到html.text中的正则后，print一下↑，其实正文内容已经都在content这个列表里了，但还有一些多余的
占位符，于是咱就遍历content这个列表，然后把占位符用空字符replace掉（就是删了它啦~），然后用之前讲过的with open方式，写入到txt文件中，打开新产生的文件，就是图右的效果啦~ 

附code：

import requests
import re
url='https://mp.weixin.qq.com/s/DNtuRvc9NM88eBEX61IpAQ'
html=requests.get(url)
html.text

file='C:/Users/lgb11/Desktop/wenzhang.txt'

content=re.findall(r'rgb\(63\, 63\, 63\)\;\"\>(.*?)\<\/span\>' ,html.text)
print(content)
for i in content:
    i=i.replace('
','')
    with open(file,'a') as f:
        f.write(i+'\n')

---

最后用bs4和xpath另外两种定位方式比较看看

前面说了，该网页虽然有js，但本次待爬取的正文内容不受影响，那么前面讲过的两种定位方式beautifulsoup和xpath应该都OK的，这两种方法这里也不细讲了，直接看看代码和效果叭~

先是beautifulsoup的

可以看到，非常高效、美观，对比re正则的，没有多余的占位符出来

然后是xpath的

也还可以，不过xpath把占位符都解析出来了（占位符里没有内容，所有就None哈~），就没那么干净啦~