這篇文章主要介紹了python3爬蟲之入門基礎和正則表達式的相關資料,需要的朋友可以參考下

前面的python3入門系列基本上也對python入了門，從這章起就開始介紹下python的爬蟲教程，拿出來給大家分享;爬蟲說的簡單，就是去抓取網路的數據進行分析處理;這章主要入門，了解幾個爬蟲的小測試，以及對爬蟲用到的工具介紹，比如集合，隊列，正則表達式;

用python抓取指定頁面：

代碼如下：

1. import urllib.request 
2. url= "http://www.baidu.com" 
3. data = urllib.request.urlopen(url).read()# 
4. data = data.decode('UTF-8') 
5. print(data) 

urllib.request.urlopen(url) 官方文檔 返回一個 http.client.HTTPResponse 對象, 這個對象又用到的read()方法;返回數據;這個函數返回一個 http.client.HTTPResponse 對象, 這個對象又有各種方法, 比如我們用到的read()方法;

查找可變網址：

1. import urllib 
2. import urllib.request 
3. data={} 
4. data['word']='one peace' 
5. url_values=urllib.parse.urlencode(data) 
6. url="http://www.baidu.com/s?" 
7. full_url=url+url_values 
8. a = urllib.request.urlopen(full_url) 
9. data=a.read() 
10. data=data.decode('UTF-8') 
11. print(data) 
12. ##打印出網址： 
13. a.geturl() 

data是一個字典, 然后通過urllib.parse.urlencode()來將data轉換為 ‘word=one+peace'的字符串, 最后和url合并為full_url

python正則表達式介紹：

隊列 介紹

在爬蟲的程序中用到了廣度優先級算法，該算法用到了數據結構，當然你用list也可以實現隊列，但是效率不高。現在在此處介紹下：在容器中有隊列：collection.deque

#隊列簡單測試：

from collections import deque

queue=deque(["peace","rong","sisi"])

queue.append("nick")

queue.append("pishi")

print(queue.popleft())

print(queue.popleft())

print(queue)

集合介紹：

在爬蟲程序中, 為了不重復爬那些已經爬過的網站, 我們需要把爬過的頁面的url放進集合中, 在每一次要爬某一個url之前, 先看看集合里面是否已經存在. 如果已經存在, 我們就跳過這個url; 如果不存在, 我們先把url放入集合中, 然后再去爬這個頁面.

Python 還 包 含 了 一 個 數 據 類 型—— set ( 集 合 ) 。 集 合 是 一 個 無 序 不 重 復 元素 的 集 。 基 本 功 能 包 括 關 系 測 試 和 消 除 重 復 元 素 。 集 合 對 象 還 支 持 union( 聯合),intersection(交),difference(差)和 sysmmetric difference(對稱差集)等數學運算。

大括號或 set() 函數可以用來創建集合。 注意:想要創建空集合,你必須使用set() 而不是 {} 。{}用于創建空字典;

集合的創建演示如下：

a={"peace","peace","rong","rong","nick"}

print(a)

"peace" in a

b=set(["peace","peace","rong","rong"])

print(b)

#演示聯合

print(a|b)

#演示交

print(a&b)

#演示差

print(a-b)

#對稱差集

print(a^b)

#輸出：

{'peace', 'rong', 'nick'}

{'peace', 'rong'}

{'peace', 'rong', 'nick'}

{'peace', 'rong'}

{'nick'}

{'nick'}

正則表達式

在爬蟲時收集回來的一般是字符流，我們要從中挑選出url就要求有簡單的字符串處理能力，而用正則表達式可以輕松的完成這一任務;

正則表達式的步驟：1，正則表達式的編譯 2，正則表達式匹配字符串 3，結果的處理

下圖列出了正則表達式的語法：

在pytho中使用正則表達式，需要引入re模塊;下面介紹下該模塊中的一些方法;

1.compile和match

re模塊中compile用于生成pattern的對象，再通過調用pattern實例的match方法處理文本最終獲得match實例;通過使用match獲得信息;

1. import re 
2.  
3. # 將正則表達式編譯成Pattern對象 
4. pattern = re.compile(r'rlovep') 
5. # 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None 
6. m = pattern.match('rlovep.com') 
7. if m: 
8. # 使用Match獲得分組信息 
9. print(m.group()) 
10. ### 輸出 ### 
11. # rlovep 
12. re.compile(strPattern[, flag]): 

這個方法是Pattern類的工廠方法，用于將字符串形式的正則表達式編譯為Pattern對象。 第二個參數flag是匹配模式，取值可以使用按位或運算符'|'表示同時生效，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)與re.compile('(?im)pattern')是等價的。

可選值有：

re.I(re.IGNORECASE): 忽略大小寫(括號內是完整寫法，下同)

M(MULTILINE): 多行模式，改變'^'和'$'的行為(參見上圖)

S(DOTALL): 點任意匹配模式，改變'.'的行為

L(LOCALE): 使預定字符類 /w /W /b /B /s /S 取決于當前區域設定

U(UNICODE): 使預定字符類 /w /W /b /B /s /S /d /D 取決于unicode定義的字符屬性

X(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。

Match:Match對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：

string: 匹配時使用的文本。

re: 匹配時使用的Pattern對象。

pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。

endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。

lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。

lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。

方法：

group([group1, …]):

獲得一個或多個分組截獲的字符串;指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名;編號0代表整個匹配的子串;不填寫參數時，返回group(0);沒有截獲字符串的組返回None;截獲了多次的組返回最后一次截獲的子串。

groups([default]):

以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。

groupdict([default]):

返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。

start([group]):

返回指定的組截獲的子串在string中的起始索引(子串第一個字符的索引)。group默認值為0。

end([group]):

返回指定的組截獲的子串在string中的結束索引(子串最后一個字符的索引+1)。group默認值為0。

span([group]):

返回(start(group), end(group))。

expand(template):

將匹配到的分組代入template中然后返回。template中可以使用/id或/g、 /g引用分組，但不能使用編號0。/id與/g是等價的;但/10將被認為是第10個分組，如果你想表達 /1之后是字符'0'，只能使用/g<1>0。

pattern:Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。

Pattern不能直接實例化，必須使用re.compile()進行構造。

Pattern提供了幾個可讀屬性用于獲取表達式的相關信息：

pattern: 編譯時用的表達式字符串。

flags: 編譯時用的匹配模式。數字形式。

groups: 表達式中分組的數量。

groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。

實例方法[ | re模塊方法]：

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):

這個方法將從string的pos下標處起嘗試匹配pattern;如果pattern結束時仍可匹配，則返回一個Match對象;如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。

pos和endpos的默認值分別為0和len(string);re.match()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。

注意：這個方法并不是完全匹配。當pattern結束時若string還有剩余字符，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符'$'。

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):

這個方法用于查找字符串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象;若無法匹配，則將pos加1重新嘗試匹配;直到pos=endpos時仍無法匹配則返回None。 pos和endpos的默認值分別為0和len(string));re.search()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):

按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數，不指定將全部分割。

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，返回一個順序訪問每一個匹配結果(Match對象)的迭代器。

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):

使用repl替換string中每一個匹配的子串后返回替換后的字符串。 當repl是一個字符串時，可以使用/id或/g、/g引用分組，但不能使用編號0。 當repl是一個方法時，這個方法應當只接受一個參數(Match對象)，并返回一個字符串用于替換(返回的字符串中不能再引用分組)。 count用于指定最多替換次數，不指定時全部替換。

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):

返回 (sub(repl, string[, count]), 替換次數)。

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

函數參數說明：

我們可以使用group(num) 或 groups() 匹配對象函數來獲取匹配表達式。

演示如下：

1. #re.match. 
2. import re 
3. print(re.match("rlovep","rlovep.com"))##匹配rlovep 
4. print(re.match("rlovep","rlovep.com").span())##從開頭匹配rlovep 
5. print(re.match("com","http://rlovep.com"))##不再起始位置不能匹配成功 
6. ##輸出： 
7. <_sre.SRE_Match object; span=(0, 6), match='rlovep'> 
8. (0, 6) 
9. None 

實例二：使用group

1. import re 
2. line = "This is my blog" 
3. #匹配含有is的字符串 
4. matchObj = re.match( r'(.*) is (.*?) .*', line, re.M|re.I) 
5. #使用了組輸出：當group不帶參數是將整個匹配成功的輸出 
6. #當帶參數為1時匹配的是最外層左邊包括的第一個括號，一次類推； 
7. if matchObj: 
8. print ("matchObj.group() : ", matchObj.group())#匹配整個 
9. print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號 
10. print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號 
11. else: 
12. print ("No match!!") 
13. #輸出： 
14. matchObj.group() : This is my blog 
15. matchObj.group(1) : This 
16. matchObj.group(2) : my 

3.re.search方法

re.search 掃描整個字符串并返回第一個成功的匹配。

函數語法：

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

函數參數說明：

我們可以使用group(num) 或 groups() 匹配對象函數來獲取匹配表達式。

實例一：

1. import re 
2. print(re.search("rlovep","rlovep.com").span()) 
3. print(re.search("com","http://rlovep.com").span()) 
4. #輸出： 
5. import re 
6. print(re.search("rlovep","rlovep.com").span()) 
7. print(re.search("com","http://rlovep.com").span()) 

實例二：

1. import re 
2. line = "This is my blog" 
3. #匹配含有is的字符串 
4. matchObj = re.search( r'(.*) is (.*?) .*', line, re.M|re.I) 
5. #使用了組輸出：當group不帶參數是將整個匹配成功的輸出 
6. #當帶參數為1時匹配的是最外層左邊包括的第一個括號，一次類推； 
7. if matchObj: 
8. print ("matchObj.group() : ", matchObj.group())#匹配整個 
9. print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號 
10. print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號 
11. else: 
12. print ("No match!!") 
13. #輸出： 
14. matchObj.group() : This is my blog 
15. matchObj.group(1) : This 
16. matchObj.group(2) : my 

search和match區別：re.match只匹配字符串的開始，如果字符串開始不符合正則表達式，則匹配失敗，函數返回None;而re.search匹配整個字符串，直到找到一個匹配。

python爬蟲小試牛刀

利用python抓取頁面中所有的http協議的鏈接，并遞歸抓取子頁面的鏈接。使用了集合和隊列;此去爬的是我的網站，第一版很多bug;代碼如下：

1. import re 
2. import urllib.request 
3. import urllib 
4. from collections import deque 
5. #使用隊列存放url  
6. queue = deque() 
7. >前面的python3入門系列基本上也對python入了門，從這章起就開始介紹下python的爬蟲教程，拿出來給大家分享；爬蟲說的簡單，就是去抓取網路的數據進行分析處理；這章主要入門，了解幾個爬蟲的小測試，以及對爬蟲用到的工具介紹，比如集合，隊列，正則表達式； 
8. <!--more--> 
9. #使用visited防止重復爬同一頁面 
10. visited = set() 
11. url = 'http://rlovep.com' # 入口頁面, 可以換成別的 
12. #入隊最初的頁面 
13. queue.append(url) 
14. cnt = 0 
15. while queue: 
16. url = queue.popleft() # 隊首元素出隊 
17. visited |= {url} # 標記為已訪問 
18. print('已經抓取: ' + str(cnt) + ' 正在抓取 <--- ' + url) 
19. cnt += 1 
20. #抓取頁面 
21. urlop = urllib.request.urlopen(url) 
22. #判斷是否為html頁面 
23. if 'html' not in urlop.getheader('Content-Type'): 
24. continue 
25. # 避免程序異常中止, 用try..catch處理異常 
26. try: 
27. #轉換為utf-8碼 
28. data = urlop.read().decode('utf-8') 
29. except: 
30. continue 
31. # 正則表達式提取頁面中所有隊列, 并判斷是否已經訪問過, 然后加入待爬隊列 
32. linkre = re.compile("href=['/"]([^/"'>]*?)['/"].*?") 
33. for x in linkre.findall(data):##返回所有有匹配的列表 
34. if 'http' in x and x not in visited:##判斷是否為http協議鏈接，并判斷是否抓取過 
35. queue.append(x) 
36. print('加入隊列 ---> ' + x) 

結果如下：