是的，爬虫就是为了获取数据。在获取的数据中，会有很多的冗余信息，需要在获取的数据中提取所需要的有用信息。进而联想到数据的匹配：正则表达式。接下来重点介绍的是 Python 中的两个提取数据的两个框架 re 与 XPath。

一、正则表达式

正则表达式是通用的，不区分任何的语言。以下是一些比较常用的通配符：

image.png

二、re

在 re 中有三个比较重要的函数，介绍如下：

findall：匹配所有符合规律的内容，返回包含结果的列表
Search：匹配并提取第一个符合规律的内容，返回一个正则表达式对象（object)
Sub ：替换符合规律的内容，返回替换后的值

接下来是将一些比较常用的语法通过以上三个函数都使用以下。当然了，在使用之前先导入 re。

import re

2.1 关于点、星号与问号的使用

# 点的使用
def dotFunc():
    # 定义一个字符串
    value = 'Hello, CoderHG. My name is CoderOC.'
    # 匹配名字
    names = re.findall('Coder..', value)
    # 打印
    print(names)
    # 结果 ['CoderHG', 'CoderOC']
    # 依次打印
    for name in names:
        print(name)


# 星号的使用
def starFunc():
    value = 'Hello, CoderHG.'
    name = re.findall('Coder*', value)
    print(name)
    # 结果  ['Coder']

# 问号的使用
def questionFunc():
    value = 'Hello, CoderHG.'
    name = re.findall('Coder?', value)
    print(name)
    # 结果  ['Coder']

2.2 贪心算法

主要是 .* 匹配，代码如下：

### 2.2 贪心算法
def tanxinFunc():
    secret_code = 'hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
    b = re.findall('xx.*xx',secret_code)
    print(b)
    # 打印结果 ['xxIxxfasdjifja134xxlovexx23345sdfxxyouxx']

匹配的是尽量多的内容。

2.3 非贪心算法

主要是匹配 .*？匹配，代码如下：

# 非贪心算法
def notTanxinFunc():
    secret_code = 'hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
    b = re.findall('xx.*?xx',secret_code)
    print(b)
    # 打印结果 ['xxIxx', 'xxlovexx', 'xxyouxx']

尽量的少，尽量的细致的去匹配

2.4 括号+非贪心算法

# 括号+非贪心算法
def kuohaoNotTanxinFunc():
    secret_code = 'hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
    b = re.findall('xx(.*?)xx', secret_code)
    print(b)
    # 打印结果 ['I', 'love', 'you']

    for text in b:
        print(text)

2.5 re.S 参数的作用

def huanhangFunc():
    s = '''sdfxxhe
    llo
    xxfsdfxxworldxxasdf'''
    # 不带 re.S 参数
    d = re.findall('xx(.*?)xx', s)
    print(d)
    # 打印结果: ['fsdf']

    # 带有 re.S 参数
    d_reS = re.findall('xx(.*?)xx',s, re.S)
    print(d_reS)
    # 打印结果: ['he\n    llo\n    ', 'world']

加上 re.S 能匹配出带有换行的字符。

2.6 findall 与 search 结合使用

def findallAndSearchFunc():
    s2 = 'asdfxxIxx123xxlovexxdfd'
    result = re.search('xx(.*?)xx123xx(.*?)xx',s2)
    print(result)
    # 打印结果 对象: <_sre.SRE_Match object; span=(4, 20), match='xxIxx123xxlovexx'>
    f = result.group(2)
    print(f)
    # 打印结果 : love

    result = re.findall('xx(.*?)xx123xx(.*?)xx',s2)
    print(result)
    # 打印结果 数组套元组: [('I', 'love')]
    f = result[0][1]
    print(f)
    # 打印结果 :  love

2.7 sub 的使用

# sub 的使用, 替换字符串
def subFunc():
    s = '我很想对她说: I what You.'
    f = re.sub('I (.*?) You.', 'I love You.', s)

    print(f)
    # 打印结果: 我很想对她说: I love You.

三、XPath

3.1 安装 lxml

通过 pip list 指令查看是否已经安装 list。如果没有安装，执行 pip install lxml 即可。
这个东西与其他的库有所不同，说的是 XPath，安装的是 lxlml。在使用的时候，直接导入：

from lxml import etree

温馨提示：按照以上的步骤如果import 的时候出错，那么到设置中手动安装一下。

3.2 使用格式

3.2.1 套路

Selector = etree.HTML(网页源代码)
Selector.xpath(一段神奇的符号)

3.2.2 规律

1. 树状结构
1. 逐层展开
1. 逐层定位
4.寻找独立节点

3.2.3 语法

1. // 定位根节点
1. / 往下层寻找
1. 提取文本内容：/text()
1. 提取属性内容: /@xxxx

3.3 实例

3.3.1 常规用法

这里有一个简单的 HTML 文本，如下：




    
    测试-常规用法



    
        这是第一条信息
        这是第二条信息
        这是第三条信息
    
    
        不需要的信息1
        不需要的信息2
        不需要的信息3
    

    
        极客学院
        点我打开课程库

现在想要提取 id = useful 中的 ui 标签中的内容，以及获取 a 标签中的连接，如果使用 re 的话，那就不好办了，尤其是提取 id = useful 中的 ui 标签中的内容，因为还有一个与之类似的 id=userless 的标签。
使用 XPath 的话，就显得容易了，代码如下：

# XPath 的相关用法
def xpatHTML():
    # 获取一个与 XPath 相关的对象
    selector = etree.HTML(html)
    # 提取文本 是数组
    contents = selector.xpath('//ul[@id="useful"]/li/text()')
    # content = selector.xpath('//*[@id="useful"]/li/text()')
    # 打印获取的内容
    for content in contents:
        print(content)

    # 打印结果:
    # 这是第一条信息
    # 这是第二条信息
    # 这是第三条信息


    # 提取属性
    links = selector.xpath('//a/@href')
    for link in  links:
        print(link)

    # 打印结果:
    # http://jikexueyuan.com
    # http://jikexueyuan.com/course/

3.3.2 特殊用法一（以相同的字符开头）

现在有以下一段 html 的文本内容：




    
    


    需要的内容1
    需要的内容2
    需要的内容3

需要提取 id=‘test*’ 中的内容，那么久需要使用到的的语法是这样的：

starts-with(@属性名称, 属性字符相同部分)

代码可见：

# 以相同的字符开头
def startwithFunc():
    print('以相同的字符开头')
    # 获取一个与 XPath 相关的对象
    selector = etree.HTML(html)
    # 提取文本 是数组
    contents = selector.xpath('//div[starts-with(@id,"test")]/text()')

    # 打印
    for content in contents:
        print(content)

    # 打印结果:
    # 需要的内容1
    # 需要的内容2
    # 需要的内容3

3.3.3 特殊用法二（标签套标签）

有一个如下的 HTML 文本：

现在想要提取这样的内容：我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口。
那么就要使用 string(.), 实现代码如下：

# 标签套标签
def divdivFunc():
    print('标签套标签')
    # 获取一个与 XPath 相关的对象
    selector = etree.HTML(html)
    # 提取文本
    contents = selector.xpath('//div[@id="test3"]/text()')

    # 打印
    print(contents)
    # 打印结果: ['\n        我左青龙，\n        ', '\n        龙头在胸口。\n    ']
    # 这里的结果没有打印出标签中的标签的内容

    # 还需要这么做
    datas = selector.xpath('//div[@id="test3"]')
    # 获取数组中的第一个元素
    data = datas[0]
    # 获取内容
    info = data.xpath('string(.)')
    # 字符串替换  '\n'  ->  ''
    content = info.replace('\n', '')

    # 字符串替换  '  '  ->  ''
    content = content.replace(' ', '')

    print(content)
    # 打印结果: 我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口。

小总结

正在表达式能处理很多的问题了，但是有的时候也会遇到以上 XPath 中介绍的数据结构，如果还是使用正则表达式的话，就有点不简单的。以上可以看出使用 XPath 还是很简单的。

四、Python 的并行化

以一个异步获取贴吧数据为例：

#-*-coding:utf8-*-
# as 的语法是将 Pool 替换成 ThreadPool 来使用
from multiprocessing.dummy import Pool as ThreadPool
import multiprocessing

import requests
import time

# 存储所有的 url
urls = []

# 获取所有的 url
def getURLs():
    for i in range(1, 21):
        # 生成连接
        newpage = 'http://tieba.baidu.com/p/3522395718?pn=' + str(i)
        # 添加到 urls 列表中
        urls.append(newpage)


# 爬去数据
def getsource(url):
    requests.get(url)
    print(url)

# 单线程获取数据
def sigleFunc():
    startTime = time.time()
    for url in  urls:
        getsource(url)

    endTime = time.time()

    print(u'单线程耗时' + str(endTime-startTime))


# 并行处理
def poolFunc():
    count = multiprocessing.cpu_count();
    print(count)

    startTime = time.time()

    pool = ThreadPool(count)
    results = pool.map(getsource, urls)
    pool.close()
    pool.join()

    endTime = time.time()

    print(u'耗时' + str(endTime - startTime))



if __name__ == '__main__':
    # 获取所有的 URL
    getURLs()
    # 单线程
    sigleFunc()
    # 多线程(并行)
    poolFunc()

Log日志输入如下：

http://tieba.baidu.com/p/3522395718?pn=1
http://tieba.baidu.com/p/3522395718?pn=2
http://tieba.baidu.com/p/3522395718?pn=3
http://tieba.baidu.com/p/3522395718?pn=4
http://tieba.baidu.com/p/3522395718?pn=5
http://tieba.baidu.com/p/3522395718?pn=6
http://tieba.baidu.com/p/3522395718?pn=7
http://tieba.baidu.com/p/3522395718?pn=8
http://tieba.baidu.com/p/3522395718?pn=9
http://tieba.baidu.com/p/3522395718?pn=10
http://tieba.baidu.com/p/3522395718?pn=11
http://tieba.baidu.com/p/3522395718?pn=12
http://tieba.baidu.com/p/3522395718?pn=13
http://tieba.baidu.com/p/3522395718?pn=14
http://tieba.baidu.com/p/3522395718?pn=15
http://tieba.baidu.com/p/3522395718?pn=16
http://tieba.baidu.com/p/3522395718?pn=17
http://tieba.baidu.com/p/3522395718?pn=18
http://tieba.baidu.com/p/3522395718?pn=19
http://tieba.baidu.com/p/3522395718?pn=20
单线程耗时18.206058025360107
8
http://tieba.baidu.com/p/3522395718?pn=3
http://tieba.baidu.com/p/3522395718?pn=8
http://tieba.baidu.com/p/3522395718?pn=2
http://tieba.baidu.com/p/3522395718?pn=5
http://tieba.baidu.com/p/3522395718?pn=6
http://tieba.baidu.com/p/3522395718?pn=7
http://tieba.baidu.com/p/3522395718?pn=4
http://tieba.baidu.com/p/3522395718?pn=1
http://tieba.baidu.com/p/3522395718?pn=14
http://tieba.baidu.com/p/3522395718?pn=13
http://tieba.baidu.com/p/3522395718?pn=10
http://tieba.baidu.com/p/3522395718?pn=12
http://tieba.baidu.com/p/3522395718?pn=9
http://tieba.baidu.com/p/3522395718?pn=15
http://tieba.baidu.com/p/3522395718?pn=11
http://tieba.baidu.com/p/3522395718?pn=16
http://tieba.baidu.com/p/3522395718?pn=19
http://tieba.baidu.com/p/3522395718?pn=18
http://tieba.baidu.com/p/3522395718?pn=20
http://tieba.baidu.com/p/3522395718?pn=17
耗时2.678765058517456

结论： 使用并行处理，可以节省不少的时间。

温馨提示：本篇介绍，来自于 极客学院 的学习记录。感谢极客学院课程！

Python 爬虫找到数据了 re & XPath & requests & Pool