Python爬虫数据提取

文末有干货 “Python高校”，马上关注

真爱，请置顶或星标

来源：离岛     链接：

https://segmentfault.com/a/1190000013196759

通过爬虫抓取到的内容，需要提取出有用的东西，这一步就是数据提取或者数据清洗

内容一般分为两部分，非结构化的数据 和 结构化的数据。
非结构化数据：先有数据，再有结构，比如文本、电话号码、邮箱地址（利用正则表达式处理）、HTML 文件（利用正则、XPath、CSS选择器）
结构化数据：先有结构、再有数据，比如JSON（JSON Path）/XML (Xpath/正则等)
不同类型的数据，我们需要采用不同的方式来处理。

实际上爬虫一共就四个主要步骤：

明确目标 (要知道你准备在哪个范围或者网站去搜索)
爬 (将所有的网站的内容全部爬下来)
取 (去掉对我们没用处的数据)
处理数据（按照我们想要的方式存储和使用）

什么是正则表达式

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

在任何编程语言中都有正则表达式，JS、JAVA、C#等等多有，Python 自1.5版本起增加了re 模块，re 模块使 Python 语言拥有全部的正则表达式功能。

正则匹配的规则

re模块使用步骤

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀，示例：r'testt.tpython'

re 模块的一般使用步骤如下：
1.使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象
2.通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。
3.最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

import re
str="abcdefabcdef" #待匹配的字符串
m=re.compile("a") #编译正则表达式，第一个参数是表达式字符串，第二个参数是标志位，比如re.I 匹配不对大小写敏感，re.S等等
result=m.findall(str)
print(result) #输出["a","a"]

具体的正则表达式如何编写，其实就是根据上图的元字符进行组合，匹配你要的结果，
小练习1：找出字符串中的数字。d表示 0-9 + 表示匹配前一个字符1次或无限次

import re
str="a11b22c3"
m=re.compile("\d+")
print(m.findall(str)) #输出['11', '22', '3']

小练习2：找出单词中包含 oo的单词

import re

str="1oo1 tina is a good girl ,she is cool"
m=re.compile("[a-z]oo[a-z]")
print(m.findall(str)) #输出['good', 'cool']

大概知道了正则的书写方式以后，先来看后续的步骤，不要着急，编写正则是个积累的过程。
compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象,Pattern 对象提供的一系列方法对文本进行匹配查找,来罗列下方法：
m.search函数会在字符串内查找模式匹配,只要找到第一个匹配然后返回，如果字符串没有匹配，则返回None。

import re

str="1oo1 tina is a good girl ,she is cool"
m=re.compile("[a-z]oo[a-z]")
print(m.search(str)) #<_sre.SRE_Match object; span=(15, 19), match='good'>

m.findall遍历匹配，可以获取字符串中所有匹配的字符串，返回一个列表。

import re

str="1oo1 tina is a good girl ,she is cool"
m=re.compile("[a-z]oo[a-z]")
print(m.findall(str)) #输出['good', 'cool']

m.match()决定RE是否在字符串刚开始的位置匹配

import re

str="aooz tina is a good girl ,she is cool"
m=re.compile("[a-z]oo[a-z]")
#str为待匹配的字符串，第一个参数是起始位置，第二个是字符串长度，从0开始，长度为6
print(m.match(str,0,6)) #<_sre.SRE_Match object; span=(0, 4), match='aooz'>

m.split()按照能够匹配的子串将string分割后返回列表

import re

str="aa1bb2cc3dd4"
m=re.compile("\d+")
# split(string[, maxsplit])，maxsplit 用于指定最大分割次数，不指定将全部分割
# list=m.split(str) #输出['aa', 'bb', 'cc', 'dd', '']
list=m.split(str,2) #输出['aa', 'bb', 'cc3dd4']
print(list)

m.sub()使用re替换string中每一个匹配的子串后返回替换后的字符串。

import re

str="aa1bb2cc3dd4"
m=re.compile("\d+")
result=m.sub('*',str)
print(result) #输出aa*bb*cc*dd*

正则练习题

1 已知字符串:

info = 'baidu'

用正则模块提取出网址："http://www.baidu.com"和链接文本:"baidu"

2 字符串："one1two2three3four4" 用正则处理，输出 "1234"

3 已知字符串：text = "JGood is a handsome boy, he is cool, clever, and so on..." 查找所有包含'oo'的单词。

正则练习题答案：

import re

# 1 已知字符串:
# info = 'baidu'
# 用正则模块提取出网址："http://www.baidu.com"和链接文本:"baidu"
info = 'baidu'
# pattern1=re.compile(r'http:.+.com')#['www.baidu.com', 'baidu']
# pattern1=re.compile(r"[a-z.]*baidu[.a-z]*")#['www.baidu.com', 'baidu']
pattern1=re.compile(r"[w.]*baidu\.*\w*") #['www.baidu.com', 'baidu']
f1=pattern1.findall(info)
print(f1)
# print(f1[0])

#2 字符串："one1two2three3four4" 用正则处理，输出 "1234"
info1="one1two2three3four4"
pattern2=re.compile(r'\d{1}')
f2=pattern2.findall(info1)
print(f2) #['1', '2', '3', '4']

# 3 已知字符串：text = "JGood is a handsome boy, he is cool, clever, and so on..." 查找所有包含'oo'的单词。
info3="JGood is a handsome boy, he is cool, clever, and so on..."
pattern3=re.compile(r'\w*oo\w*')
f3=pattern3.findall(info3)
print(f3)

爬虫内涵段子正则匹配爬取

#coding:utf8

from urllib import request
import re

#定义一个爬虫类
class Splider:
    def __init__(self):
        # 初始化起始页的位置
        self.page = 1
        # 爬取开关,如果为True继续爬取
        self.switch = True

    def loadPage(self):
        '''
        下载页面
        '''
        # 拼接完成的url
        url = 'http://www.neihan8.com/article/list_5_'+str(self.page)+'.html'

        headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

        request1 = request.Request(url,headers=headers)
        response = request.urlopen(request1)

        # 每页的html源码
        html = response.read().decode('gbk')
        print(html)

        # 创建正则表达式规则对象,匹配每页里的段子内容,re.S是匹配全部的字符串内容
        pattern = re.compile('(.*?)

',re.S)         # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有段子的列表        content_list = pattern.findall(html)        print(content_list)        # for content in content_list:        #     print content.decode('gbk')        self.dealPage(content_list)    def dealPage(self,content_list):        '''        处理每页的段子        content_list: 每页的段子列表集合        '''        for item in content_list:            item = item.replace('

',"").replace('

','').replace('”','').replace('“','').replace('
','').replace('
','').replace('…','')            print(item)        # 处理完成后调用writePage()将每个段子写入文件内        self.writePage(item)    def writePage(self,item):        '''            把每条段子逐个写入文件里            item:处理后的每条段子        '''        # 写入文件内        print('正在写入数据....')        with open('duanzi.txt','a') as f:            f.write(item)    def startWork(self):        '''        控制爬虫的功能        '''        while self.switch:            # 用户确定爬取的次数            self.loadPage()            command = input('如果想继续爬取,请按回车(退出输入的quit)')            if command == 'quit':                # 如果停止爬取,则输入quit                self.switch = False            # 每次循环,page页码自增1            self.page = self.page+1        print("谢谢使用") if __name__ == '__main__':    duanziSpider = Splider()    duanziSpider.startWork()

（完）

技术书籍PDF电子书下载
我总结的82页《Python之路V1.1.pdf》，都是干货
520 页机器学习笔记！图文并茂可能更适合你，文末附下载方法

541页的《利用Python进行数据分析》（附电子书和源码下载）

下载 | 《Python数据科学速查表中文版》
343页经典书籍《算法之道（第二版）》pdf下载

下载 | Python 学习手册（第 4 版）

300 页干货！李宏毅《一天搞懂深度学习》（附下载）


可以通过下述步骤来获取：    1. 加我微信二维码。
    2. 回复关键词：PDF


工具
最靠谱的Pycharm 汉化安装+ 破解详细教程！

Python数据分析、挖掘常用工具
Python 最强 IDE 详细使用指南！
一款 Python 自动抢票神器，收藏起来回家不愁！

实践和数据分析
Python 开发植物大战僵尸游戏
用 Python 来找合适的妹子
一键分析你上网行为，看你是在认真工作还是摸鱼
Python给照片换底色，基于opencv模块

10个经典的小技巧：快速用 Python 进行数据分析

使用 Python 进行微信好友分析
爬虫
我给曾经暗恋的初中女同学，用Python实现了她飞机上刷抖音

为了能早点买房，我用 Python 预测房价走势！

被女朋友三番五次拉黑后，我用 Python 写了个“舔狗”必备神器

谁偷偷删了你的微信？别慌！Python 揪出来为了给女友挑合适的内衣，我用  Python 爬了天猫内衣店的数据Python爬完数据后，我终于买车不用坐引擎盖哭啦
算法
机器学习必学10大算法

哈工大硕士生用Python实现了11种数据降维算法，代码已开源！

Github标星3w+，热榜第一，如何用Python实现所有算法

Python算法：如何解决回文索引问题

Python算法：如何解决楼梯台阶问题
这里除了干货一无所有

看完本文有收获？请转发分享给更多人