爬虫数据解析与提取

前言

进行爬虫数据解析与提取方法

• 爬虫数据四大解析规则：正则表达式规则、Xpath规则、CSS选择器规则、JsonPath规则
• 前端的三大语法：HTML、CSS、JavaScript

正则表达式

语法列表

1. 普通字符语法
   
2. 预定义字符集语法
   
3. 数量词语法
   
   
4. 边界匹配语法
   
5. 逻辑分组语法
   
6. 特殊构造语法
   

语法案例

 import re
 # re.match(表达式语法, 匹配的字符串)
 "**** 1.1 一般字符 ****"
 pattern = "python"
 re.match(pattern, "python")    # python
 re.match(pattern, "python2.7")    # python

 "**** 1.2 . 万能匹配字符 ****"
 pattern = "python."
 re.match(pattern, "python2")           # python2
 re.match(pattern, "python3")           # python3
 re.match(pattern, "python3.7")         # python3
 re.match(pattern, "python\n")          # None (无法匹配)
 re.match(pattern, "python\n", re.S)    # python\n

 "**** 1.3 \ 正则转义字符 ****"
 pattern = "\.\*\?\+\^\$"
 re.match(pattern, ".*?+^$abcd")    # .*?+^$
 # 匹配一个反斜线字符\
 # 字符串中表示单个反斜线
 len("\\")    # 1  
 pattern = "\\\\"    # 正则中表示单个反斜线
 re.match(pattern, "\\")    # \
 # r作用：将字符串转为纯正则模式，忽略字符串对其的干扰
 pattern = r"\\"    # 正则中表示单个反斜线
 re.match(pattern, "\\")    # \   

 "**** 1.4 中括号字符集里的特殊符号将失去所有特殊含义，除了\ ****"
 pattern = "[.*?+^$]"
 re.match(pattern, "*")
 re.match(pattern, "$")

 # 但当位于首位的^、作为连字符的-、]具备单独的含义
 re.match("[a-z]", str1)        # 只匹配小写字母
 re.match("[^a-z]", str2)       # 只匹配非小写字母
 re.match("[\^a-z]", str3)      # 只匹配以小写字母或^       
 re.match("[a\-z]","-")         # 只匹配a、-、z 这三个字母
 re.match("[\]]","]")           # 只匹配"]"
#---------------------------------------
re.match("\d+\.\d{2,6}", "3.1415926")    #  3.141592
re.match("\d+\.\d{2,6}?", "3.1415926")    #  3.14
#---------------------------------------
# \b相当于\w和\W的边界，可以用来匹配出单词；\B则常用来判断单词的连贯性
re.match(r"\w\W\w", "q q")    # q q 
re.match(r"\w\b\W\b\w", "q q")    # q q
re.match(r"\w+\b\W+\b\w+", "hello-world")    # hello-world
re.match(r"\w+\b\W+\b\w+", "hello - -- -world")    # hello - -- -world
# 注意：必须使用r，将字符串变为正则模式，因为\b在普通字符串中也是具有含义的
re.match(r"Tom\B[A-Z][a-z]+", "TomCruise")    # 可以匹配
re.match(r"Tom\B[A-Z][a-z]+", "Tom Cruise")    # 无法匹配
#---------------------------------------

 "**** 6.1 (?aiLmsux) 作用：替换flags参数 ****"
 re.match(r"(?i)ABCD", "abcd")             # abcd
 re.match(r"ABcd", "abcd", flags=re.I)     # abcd

 "**** 6.2 (?:...) 作用：进行匹配，但不计入分组 ****")
 re.match(r"(ab)(cd)", "abcd").group(1)    # ab
 re.match(r"(?:ab)(cd)", "abcd").group(1)    # cd

 "**** 6.3 (?imsx-imsx:...) 作用：为组内设置或去除flags效果 ****"
 # Python3.6新增正则语法
 re.match(r"(?i:AB)cd", "abcd")                   # abcd
 re.match(r"(?-i:AB)cd", "abcd", flags=re.I)      # 无法匹配
 re.match(r"(?s-i:AB)cd", "abcd", flags=re.I)     # 无法匹配
 # 注意不能在内部即开启又关闭同一模式，如：i-i、imsx-imsx都是错误的

 "**** 6.4 (?#...) 作用：添加注释 ****")
 re.match(r"(?#这是注释)abcd", "abcd")

 "**** 6.5 (?=...) 作用：向右正向断言匹配，后面如果是 ****"
 # 后面如果是cd就匹配
 re.match(r"\w+(?=cd)", "abcd")      # 可以匹配 abcd
 re.match(r"\w+(?=cd)", "abcf")      # 无法匹配

 "**** 6.6 (?！...) 作用：向右反向断言匹配，后面如果不是 ****"
 # 后面如果不是cd就匹配
 re.match(r"ab(?!cd)\w+", "abcd")       # 无法匹配
 re.match(r"ab(?!cd)\w+", "abcf")       # 可以匹配 abcf

 "**** 6.7 (?<=...) 作用：向左正向断言匹配，前面如果是 ****"
 # 前面如果是ab就匹配
 re.match(r"\w+(?<=ab)cd", "abcd")      # 可以匹配 abcd
 re.match(r"\w+(?<=ab)cd", "afcd")      # 无法匹配

 "**** 6.8 (?
 # 后面如果不是ab就匹配
 re.match(r"\w+(?, "abcd")      # 无法匹配
 re.match(r"\w+(?, "afcd")      # 可以匹配 afcd

 "**** 6.9 (?(id/name)yes-pattern|no-pattern) 作用：如果给定组存在，则使用yes规则，否则使用no规则 ****")
 re.match(r"(<){0,1}abcd(?(1)>|)", "")    # 可以匹配 
 re.match(r"(<){0,1}abcd(?(1)>|)", ")     # 无法匹配
 re.match(r"(<){0,1}abcd(?(1)>|)", "abcd")      # 可以匹配 abcd

python正则模块
re模块

Xpath规则运用

xpath学习文档

xpath规则

Xpath谓语条件（Predicates）

函数调用

运算操作

索引操作

链式谓语

嵌套谓语

xpath轴

CSS选择器规则与运用

css选择器

BeautifulSoup4模块

bs4文档

JsonPath规则与运用

• pip install jsonpath

json规则

jsonpath基础语法

jsonpath运算符

jsonpath函数（Python中jsonpath模块暂不支持该语法）

• jsonpath数据解析： Python中使用jsonpath模块时，必须将json字符串转换为python内置对象，如对象–>字典，数组–>列表。 因为python中需要使用json.loads或load方法将json数据进行简单转换。

python中运行js

Python中执行JS代码，通常两个库: js2py、pyexecjs

import js2py

js2py.eval_js('console.log( "Hello World!" )')
# 'Hello World!'
func_js = '''
function add(a, b) {
    return a + b
}
'''
add = js2py.eval_js(func_js)
print(add(1,2))
# 3

内容不全，暂不想写