正则表达式拆分

import re

# 1.拆分字符串

one = 'asdsfsgsh'

# 标准 是 s 为拆分

pattern = re.compile('s')

result = pattern.split(one)

# print(result)

# 2.匹配中文

two = '<a href="https://www.baidu.com/" nslog="normal" nslog-type="10600112" data-href="https://www.baidu.com/s?ie=utf-8&amp;fr=bks0000&amp;wd=">网页是最新版本的,适配移动端</a>'

# python中 匹配中问 [a-z] unicode的范围 * + ?

pattern = re.compile('[\u4e00-\u9fa5]+')

result = pattern.findall(two)

print(result)
import re

import requests

url = 'http://news.baidu.com/'

headers = {

    "User-Agent": 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

}

# response.text 不太准确 转码 是靠推测

data = requests.get(url, headers=headers).content.decode()

# 正则解析 数据

#  每个新闻的titile, url

# <a href="http://news.cnr.cn/native/gd/20181028/t20181028_524397644.shtml" target="_blank" mon="r=1">民营经济再吃定心丸,民企当体会怎样深意</a>

pattern = re.compile('<a href="(.*?)" target="_blank" mon="(.*?)">(.*?)</a>')

# pattern = re.compile('<a (.*?)</a>',re.S)

result = pattern.findall(data)

print(result)

# with open('02news.html', 'w') as f:

#     f.write(data)
xpath解析
import re

import requests

# 安装支持 解析html和XML的解析库 lxml

# pip install lxml

from lxml import etree

url = 'http://news.baidu.com/'

headers = {

    "User-Agent": 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

}

# response.text 不太准确 转码 是靠推测

data = requests.get(url, headers=headers).content.decode()

# 1.转解析类型

xpath_data = etree.HTML(data)

# xpath 语法 1. 节点 /

#            2. 跨节点: //

#            3. 精确的标签: //a[@属性="属性值"]

#            4. 标签包裹的内容 text()

#            5. 属性:@href

#              xpath--s数据类型---list

# 2调用 xpath的方法

result = xpath_data.xpath('/html/head/title//text()')

result = xpath_data.xpath('//a/text()')

result = xpath_data.xpath('//a[@mon="ct=1&a=2&c=top&pn=18"]/text()')

result = xpath_data.xpath('//a[@mon="ct=1&a=2&c=top&pn=18"]/@href')

result = xpath_data.xpath('//li/a/text()')

print(result)

# with open('02news.html', 'w') as f:

#     f.write(data)

注意事项

from  lxml import etree

html = """

    <html>

    <body>

    <ul>

     <li>1

         <a href="">子</a>

     </li>

     <li>2

        <a href="">子</a>

     </li>

     <li>3

        <a href="">子</a>

     </li>

     <li>4

         <a href="">子</a>

     </li>

     <li>5

        <a href="">子</a>

     </li>

 </ul>

 </body>

 </html>

"""

# 1.转类型

x_data = etree.HTML(html)

# 2.xpath 下标 是从 1开始; 只能取 平级关系的标签

result = x_data.xpath('//li[5]/text()')

result = x_data.xpath('/html/body/ul/li/a/text()')

result = x_data.xpath('//a[2]')

print(result)

拆分实例

import requests

from lxml import etree

import json

class BtcSpider(object):

    def __init__(self):

        self.base_url = 'http://8btc.com/forum-61-'

        self.headers = {

            "User-Agent": 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

        }

        self.data_list = []

    # 1.发请求

    def get_response(self, url):

        response = requests.get(url, headers=self.headers)

        # 网页的 编码到底 是 gbk 还是 urf-8  head--meta-charset=""

        # 原因 是 抓取 网页的 编码 就是 gbk的 所以 解码的时候 也是要gbk

        # data = response.content.decode('gbk')

        data = response.content

        return data

    # 2.解析数据

    def parse_data(self, data):

        # 使用xpath 解析当前页面 所有的 新闻title 和url 保存

        # 1.转类型

        x_data = etree.HTML(data)

        # 2.根据xpath路径解析

        # 路径 1. 纯手写  2. 借助浏览器的 右击 粘贴xpath路径; 需要修改

        title_list = x_data.xpath('//a[@class="s xst"]/text()')

        # title_list = x_data.xpath('//form[@id="moderate"]/div/div[2]/div/a[@class="s xst"]/text()')

        url_list = x_data.xpath('//a[@class="s xst"]/@href')

        for index, title in enumerate(title_list):

            news = {}

            # print(index)

            # print(title)

            news['name'] = title

            news['url'] = url_list[index]

            self.data_list.append(news)

    # 3.保存数据

    def save_data(self):

        # 将 list---str

        data_str = json.dumps(self.data_list)

        with open('05btc.json', 'w') as f:

            f.write(data_str)

    # 4.启动

    def run(self):

        for i in range(1, 5):

            # 1.拼接 完整url

            url = self.base_url + str(i) + '.html'

            print(url)

            # 2.发请求

            data = self.get_response(url)

            # 3.做解析

            self.parse_data(data)

        # 4.保存

        self.save_data()

BtcSpider().run()

解析数据(正则,xpath)的更多相关文章

  1. 爬虫的三种解析方式(正则解析, xpath解析, bs4解析)

    一 : 正则解析 : 常用正则回顾: 单字符: . : 除换行符以外的所有字符 [] : [aoe] [a-w] 匹配集合中任意一个字符 \d : 数字 [0-9] \D : 非数字 \w : 非数字 ...

  2. 爬虫系列二(数据清洗--->xpath解析数据)

    一 xpath介绍 XPath 是一门在 XML 文档中查找信息的语言.XPath 用于在 XML 文档中通过元素和属性进行导航. XPath 使用路径表达式在 XML 文档中进行导航 XPath 包 ...

  3. xpath解析数据

    xpath解析数据 """ xpath 也是一种用于解析xml文档数据的方式 xml path w3c xpath搜索用法 在 XPath 中,有七种类型的节点:元素.属 ...

  4. 爬虫——网页解析利器--re & xpath

    正则解析模块re re模块使用流程 方法一 r_list=re.findall('正则表达式',html,re.S) 方法二  创建正则编译对象 pattern = re.compile('正则表达式 ...

  5. python爬虫---爬虫的数据解析的流程和解析数据的几种方式

    python爬虫---爬虫的数据解析的流程和解析数据的几种方式 一丶爬虫数据解析 概念:将一整张页面中的局部数据进行提取/解析 作用:用来实现聚焦爬虫的吧 实现方式: 正则 (针对字符串) bs4 x ...

  6. 《爬虫学习》（四）（使用lxml,bs4库以及正则表达式解析数据）

    1.XPath: XPath(XML Path Language)是一门在XML和HTML文档中查找信息的语言,可用来在XML和HTML文档中对元素和属性进行遍历. 工具:扩展商店里搜索:XPath ...

  7. python网络爬虫之解析网页的XPath(爬取Path职位信息)[三]

    目录 前言 XPath的使用方法 XPath爬取数据 后言 @(目录) 前言 本章同样是解析网页,不过使用的解析技术为XPath. 相对于之前的BeautifulSoup,我感觉还行,也是一个比较常用 ...

  8. scrapy架构与目录介绍、scrapy解析数据、配置相关、全站爬取cnblogs数据、存储数据、爬虫中间件、加代理、加header、集成selenium

    今日内容概要 scrapy架构和目录介绍 scrapy解析数据 setting中相关配置 全站爬取cnblgos文章 存储数据 爬虫中间件和下载中间件 加代理,加header,集成selenium 内 ...

  9. Android之三种网络请求解析数据(最佳案例)

    AsyncTask解析数据 AsyncTask主要用来更新UI线程,比较耗时的操作可以在AsyncTask中使用. AsyncTask是个抽象类,使用时需要继承这个类,然后调用execute()方法. ...

随机推荐

  1. VB入门在线视频教程大全学习

    课程目录 9分钟47秒 课时1第一课:怎么编写程序 14分钟1秒 课时1第十七课第1节:文件读写的几种方式 14分钟14秒 课时2第二课:什么是变量和变量类型 19分钟24秒 课时3第三课:变量的声明 ...

  2. 常规RPC通讯过程【转载】

    在 HTTP2 协议正式开始工作前, 如果已经知道服务器是 HTTP2 的服务器, 通讯流程如下: 客户端必须首先发送一个连接序言,其逻辑结构: PRI * HTTP/2.0\r\n\r\nSM\r\ ...

  3. mac 下安装mcrypt 扩展

    参考: http://coolestguidesontheplanet.com/how-to-install-mcrypt-for-php-on-mac-osx-lion-10-7-developme ...

  4. 使用LayUI在页面实现加载层（图标）代码：

    实现代码: var index = layer.load({ shade: [0.4,'#def'], icon :' 实现效果: 可以使用 layer.close(index); 来控制其在什么时 ...

  5. to_string函数（将数字转换成字符串）

    一般常用的转换字符串的方法std::stringstream,但是效率较低;目前C ++11提供了std::to_string 效率方面:C风格的sprintf()没有动态分配内存效率最高;std:: ...

  6. 洛谷1613 跑路 倍增 + Floyd

    首先,我们一定要认识到本题中的最短时间所对应的道路不一定是在起点到终点的最短路.例如,起点到终点的最短路为 151515 ,那么对 151515 进行二进制拆分的话是 111111111111 ,这时 ...

  7. 路飞学城Python-Day25

  8. JQuery获取ID含有特殊字符的DOM元素

    因为业务需要,DOM元素的ID被命名为"13/16(FCO26)",执行JQuery的DOM查询时,提示如下错误 Uncaught Error: Syntax error, unr ...

  9. 聚类（Clustering）

    简介 相对于决策树.朴素贝叶斯.SVM等有监督学习,聚类算法属于无监督学习. 有监督学习通常根据数据集的标签进行分类,而无监督学习中,数据集并没有相应的标签,算法仅根据数据集进行划分. 由于具有出色的 ...

  10. 2019-03-18 用Task Schedule定时调用Python脚本

    1.空白处右键新建Task(Create New Task)设置每日定时(Daily) 2.新建Actions 3.填写 Program+Start in 为Python的路径:C:\python36 ...