正则表达式（re模块）：
数据的分类：
结构化数据
有固定的格式 如HTML、XML、JSON
非结构化数据
图片、音频、视频 这类数据一般存储为二进制
正则：
使用流程：
创建编译对象：p = re.compile("正则表达式")
对字符串匹配：r = p.match("字符串")
获取匹配结果：print(r.group())
常用方法：
match(str) 字符串开头的第一个 返回对象
search(str) 从头开始匹配 只匹配一个 返回对象
group() 从match或search对象中取值
findall() 所有全局匹配 返回一个列表
表达式：
. 匹配任意字符(除了\n)
\d 匹配数字
\s 空白字符
\S 非空字符
[] 匹配括号内所有内容
\w 字母、数字、下划线
* 前一个出现0次或多次
? 0次或1次
+ 一次或多次
{m} m次
{m, n} m到n次
贪婪匹配：
再整个表达式匹配成功前提下 尽可能多的去匹配*
非贪婪匹配：
再整个表达式匹配成功前提下 尽可能少的去匹配*
示例(贪婪模式和非贪婪模式)
import re
s = """<div><p>年发的斯蒂芬是否</div></p>
<div><p>年发的斯蒂芬是否</div></p>
"""
# 创建编译对象 贪婪匹配 re.S代表让.可以匹配\n字符
p = re.compile("<div><p>.*</div></p>", re.S)
# 匹配字符串s
r = p.findall(s)
# 结果为一个列表内只有与一个元素
print(r)
# 非贪婪匹配 用?尽可能少的去匹配
p = re.compile("<div><p>.*?</div></p>", re.S)
# 匹配字符串s
r = p.findall(s)
# 结果为一个列表内有多个元素
print(r)
findall()的分组
import re
#解释 ：先按照整体匹配出来,然后再匹配()中的
# 如果有2个或者多个(),则以元组的方式取显示
s = "A B C D"
p1 = re.compile('\w+\s+\w+')
print(p1.findall(s))
# ['A B','C D']
p2 = re.compile('(\w+)\s+\w+')
# 第1步 ：['A B','C D']
# 第2步 ：['A','C']
print(p2.findall(s))
p3 = re.compile('(\w+)\s+(\w+)')
# 第1步 ：['A B','C D']
# 第2步 ：[('A','B'),('C','D')]
print(p3.findall(s))
7、案例1 ：内涵段子脑筋急转弯抓取
# 思路
#
# 网址 ：www.neihan8.com
# 步骤：
# 1、找URL规律
# 第1页:https://www.neihan8.com/njjzw/
# 第2页:https://www.neihan8.com/njjzw/index_2.html
# 第3页:https://www.neihan8.com/njjzw/index_3.html
# 用正则匹配出 题目 和 答案
# p = re.compile('<div class="text-.*?title="(.*?)".*?<div class="desc">(.*?)</div>',re.S)
# 写代码
# 发请求
# 用正则匹配
# 写入本地文件
import urllib.request
import re
import random
class NeihanSpider(object):
def __init__(self):
self.baseurl = "http://www.neihan8.com/wenzi/"
self.headers = {"User-Agent": "Mozilla/5.0"}
self.page = 1
# 下载页面
def load_page(self, url):
# 随机获取1个User-Agent
header_list = [{
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"},
{"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50"},
{"User-Agent": "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.0)"}]
headers = random.choice(header_list)
req = urllib.request.Request(url, headers=headers)
res = urllib.request.urlopen(req)
html = res.read().decode("utf-8")
self.parse_page(html)
# 解析页面
def parse_page(self, html):
p = re.compile(r'''<div class="text-.*?"title="(.*?)">.*?class="desc">(.*?)</div>''')
r_list = p.findall(html)
self.write_page(r_list)
# 保存页面
def write_page(self, r_list):
for r_tuple in r_list:
for r_str in r_tuple:
with open("急转弯.txt", "a", encoding="gb18030") as f:
f.write(r_str.strip() + "\n")
# 主函数
def work_on(self):
self.load_page(self.baseurl)
while True:
c = input("是否继续...(y/n)")
if c.strip().lower() == "y":
self.page += 1
url = self.baseurl + "index_1.html"
self.load_page(url)
else:
break
if __name__ == "__main__":
sipder = NeihanSpider()
sipder.work_on()
猫眼电影top100榜单,存到csv表格文件中
网址：猫眼电影 - 榜单 - top100榜
目标：抓取电影名、主演、上映时间
知识点讲解
csv模块的使用流程
打开csv文件
with open("测试.csv","a") as f:
初始化写入对象
writer = csv.writer(f)
写入数据
writer.writerow(列表)
import csv
with open("猫眼.csv", "a") as f:
# 初始化写入对象
writer = csv.writer(f)
writer.writerow(["霸王别姬", "张国荣"])
writer.writerow(["唐伯虎点秋香", "周星驰"])
准备工作
找URL
第1页：http://maoyan.com/board/4?offset=0
第2页：http://maoyan.com/board/4?offset=10
第n页：
offset = (n-1)*10
正则匹配
<div class="movie-item-info">.*?title="(.*?)".*?<p class="star">(.*?)</p>.*?releasetime">(.*?)</p>
import random
import re
import urllib.request
import UserAgent
import csv
class MovieRanking(object):
def __init__(self):
self.baseurl = "http://maoyan.com/board/4?offset="
self.headers = random.choice(UserAgent.headers_list)
self.page = 0
def read_page(self, url):
requuest = urllib.request.Request(url, headers=self.headers)
response = urllib.request.urlopen(requuest)
html = response.read().decode("utf-8")
self.parse_page(html)
def parse_page(self, html):
p = re.compile(r'''<p class="name".*?title="(.*?)".*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>''', re.S)
movie_list = p.findall(html)
self.write_page(movie_list)
def write_page(self, movie_list):
for movie in movie_list:
movie_list = [movie[0].strip(), movie[1].strip(), movie[2].strip()]
with open("猫眼Top.csv", "a", encoding="utf-8") as f:
writer = csv.writer(f)
writer.writerow(movie_list)
def main_page(self, number):
i = 0
while i < number:
url = self.baseurl + str(self.page)
self.read_page(url)
self.page += 1
i += 1
if __name__ == "__main__":
movie = MovieRanking()
movie.main_page(100)
Fiddler常用菜单
Inspector : 查看抓到的数据包的详细内容
分为请求(request)和响应(response)两部分
常用选项
Headers ：显示客户端发送到服务器的header,包含客户端信息、cookie、传输状态
WebForms ：显示请求的POST数据 <body>
Raw ：将整个请求显示为纯文本
请求方式及案例
GET
POST
Cookie模拟登陆
什么是cookie、session
HTTP是一种无连接协议,客户端和服务器交互仅仅限于 请求/响应过程,结束后断开,下一次请求时,服务器会认为是一个新的客户端,为了维护他们之间的连接,让服务器知道这是前一个用户发起的请求,必须在一个地方保存客户端信息。
cookie ：通过在客户端记录的信息确定用户身份
session ：通过在服务端记录的信息确定用户身份
使用cookie模拟登陆人人网
'''cookie模拟登陆人人网.py'''
import urllib.request
# 步骤：
# 通过抓包工具、F12获取到cookie(先登陆1次网站)
# 正常发请求
# url：http://www.renren.com/967469305/profile
url = "http://www.renren.com/967469305/profile"
headers = {
"Host":"www.renren.com",
"Connection":"keep-alive",
"Upgrade-Insecure-Requests":"1",
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
"Referer":"http://www.renren.com/",
"Accept-Language":"zh-CN,zh;q=0.9",
"Cookie":"anonymid=jnoaljpk7d3nh2; depovince=BJ; _r01_=1; _de=4DBCFCC17D9E50C8C92BCDC45CC5C3B7; ln_uact=13603263409; ln_hurl=http://head.xiaonei.com/photos/0/0/men_main.gif; jebe_key=1b1f4a34-0468-4185-a3b0-6f2c38abc368%7C2012cb2155debcd0710a4bf5a73220e8%7C1540454149943%7C1%7C1540454153787; wp_fold=0; wp=0; jebecookies=2fc339e7-1b51-43ce-bc85-e2dc1f68ee16|||||; JSESSIONID=abcANrnqoMuLshY34pQAw; ick_login=30d0bd58-f6bb-437f-8d0d-6a72ae00e7b7; p=1e1b85cb8dda387a70e400a341c2e9c95; first_login_flag=1; t=4f652cc0a8f3fd50f5c9095c92d4717d5; societyguester=4f652cc0a8f3fd50f5c9095c92d4717d5; id=967469305; xnsid=55bff2d5; loginfrom=syshome"
}
req = urllib.request.Request(url,headers=headers)
res = urllib.request.urlopen(req)
print(res.read().decode("utf-8"))
requests模块
安装(用管理员身份去打开Anaconda Prompt)
Anaconda : conda install requests
Windows cmd: python -m pip install requests
## 以管理员身份去执行pip安装命令
常用方法
get(url,headers=headers) : 发起请求,获取响应对象
response属性
response.text ：返回字符串类型
response.content : 返回bytes类型
应用场景 ：爬取非结构化数据
response.encoding
一般返回 ：ISO-8859-1 # latin1
指定编码：response.encoding = "utf-8"
response.status_code ：返回服务器响应码
response.url ：返回数据的URL地址
get()使用场景
没有查询参数
res = requests.get(url,headers=headers)
有查询参数: params={}
注 ：params参数必须为字典,自动进行编码
见 ：09_requests.get.params.py
post() 参数名 ：data
data = {}
爬取链家二手房
import csv
import re
import requests
class HouseReptile(object):
def __init__(self):
self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60"}
self.base_url = "https://jn.lianjia.com/ershoufang/pg"
self.pg = 0
print("初始化~")
def read_house(self, url):
print("读取数据")
response = requests.get(url, self.headers)
self.parse_house(response.text)
def parse_house(self, html):
print("开始解析数据")
# 详情页 标题 小区名 规格 楼层 发布时间 总价 单价
mate = re.compile('''<div class="title"><a class="" href="(.*?)".*?data-is_focus="" data-sl="">(.*?)</a>.*?data-el="region">(.*?)</a> (.*?)<.*?</span>(.*?)<.*?starIcon"></span>(.*?)<.*?<span>(\d+)</span>万.*?<span>(.*?)</span>''', re.S)
house_list = mate.findall(html)
self.write_house(house_list)
def write_house(self, house_list):
for house in house_list:
with open("链接二手房.csv", "a", newline="", encoding="utf-8") as f:
writer = csv.writer(f)
house = [
house[0].strip(),
house[1].strip(),
house[2].strip(),
house[3].strip(),
house[4].strip(),
house[5].strip(),
house[6].strip(),
house[7].strip()
]
writer.writerow(house)
def crawl_house(self, number):
if self.pg == 0:
with open("链接二手房.csv", "a", newline="", encoding="utf-8") as f:
writer = csv.writer(f)
writer.writerow([
"房屋详情链接",
"标题",
"小区名",
"规格",
"楼层",
"发布时间",
"总价(万)",
"单价"
])
for i in range(0, number):
self.pg += 1
url = self.base_url + str(self.pg)
print("开始爬取：", url)
self.read_house(url)
if __name__ == "__main__":
house = HouseReptile()
house.crawl_house(3)
