0 相关源码
1 技术选型 爬虫能做什么
1.1 scrapy VS requests + beautifulsoup
做爬虫的时候，经常都会听到 scrapy VS requests+beautifulsoup的组合 在本次分布式爬虫实现中只用scrapy而不用后者的原因是：
requests和beautifulsoup都是库，scrapy是一个框架 框架中可以应用requests等，可以集合很多第三方库- 基于
twisted(异步IO框架) 性能是最大的优势 - 方便扩展 提供了很多内置的功能，提高开发速度
- 内置
css和xpath selector对html或者xml进行分析,非常方便,beautifulsoup缺点就是慢
实践中还是会用到requests，但是不会用到beautifulsoup，因为它的功能可以直接使用scrapy的select完成.
1.2 网页分类
常见类型的服务
- 静态网页 事先在服务器端生成好的页面，内容固定
- 动态网页 从服务器端取数据返回
- webservice（REST API） 也是属于动态网页的一种，只是通过ajax方式和后台交互的一种技术
1.3 爬虫能做什么
- 搜索引擎-百度，google，垂直领域搜索引擎（有一个目标，知道自己到底爬什么数据）
- 推荐引擎-今日头条（根据浏览习惯猜测感兴趣的内容进行推送）
- 机器学习的数据样本
- 数据分析-金融数据分析，舆情分析
2 正则表达式
2.1 为何需要
为什么有css或者xpath selector还要学正则表达式，有时候根据selector获得了整个标签内的内容，但是还要进行进一步的筛选，比如里面的数字信息等
2.2 作用
可以帮我们判断某个字符串是否符合某一个模式 提取整个字符串里面的重要的部分信息
2.3 常用字符的用法
^ : 以什么字符开头 $ : 以什么字符结尾 . : 任意字符 * ：出现任意次数，0次或者更多次 ()：还提取按模式取出来的子串。例如，".*(b.*b).*"表示不管前后是什么的两个b之间的子串 ? ：下面详解 + ：字符至少出现一次 {1}：前面的字符出现一次 {3，}: 要求前面的字符必须出现3次以上 {2,5}：前面的字符至少出现2次，最少出现5次 | ： 或的关系 [] : 中括号里面的内容只要满足任何一个即可，也可以是一个区间，中括号里面的^表示不等于，中括号里面的符号就是符号，不是特殊符号的含义 \s ：表示空格符 \S : 刚好与小s的意思相反，只要不是空格都可以 \w : 表示[A-Za-z0-9_]其中的任意一个字符 \W : 与\w的意思刚好相反 [\u4E00-\u9FA5] : unicode编码，含义是汉字，意思是只要出现汉字就可以。 \d : 表示数字
2.4 coding 演示
新建项目
^ : 以什么字符开头 此处以J开头即可!
$ : 以什么字符结尾 此处以4结尾即可!
J开头,中间为任意字符,最后以4结尾
? : 非贪婪匹配模式
默认的情况下，匹配是贪婪模式，匹配最大长度 比如对于 "bobby123"这个待匹配的，结果就是bb，而不是bobb，所以这就是贪婪，反向匹配（或者理解成直到结束符合的最后一个结果） 非贪婪匹配就是从左边开始，只需要出现一个结果就可以了,".?(b.?b)."表示对两个b从左到右只要出现一次就可 ".?(b.b)."第二个b不要问好，那么第二个b就是贪婪模式，会持续匹配到最后一个b
现在源数据变更为
欲取得字符串 boooooooob
然而现实,却是
非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo”，“o+?”将匹配单个“o”，而“o+”将匹配所有“o”。
此处贪婪匹配最开始时反向匹配,从右向左,所以得到bb结果串!就无法提取目标串!何解?
那就需要我们的 ?了!变成一种非贪婪模式
于是我们,更改匹配规则
结果令人失望!居然还多了个小b!!!
虽然左部分正常匹配左边的b了,但是规则的右部分依旧贪婪匹配!必须让规则右边的b不要那么贪婪!给他也加个 ?修饰~即可!
终于......提取成功啦!
限定出现次数
| : 表示或关系
下面更改源字符串
规则
结果
想要提取完整的怎么做呢?
结果
[]
规则
结果
匹配电话号码
规则
其中有 ^
\s
\S只能匹配一个非空字符!!!
\w
w不满足的空格,W满足!
汉字编码
源字符串
想提取到底是什么大学
这样也是不行的,又产生了贪婪匹配问题
所以要加上 ?取消贪婪
完美提取XX大学
d D
源字符串
- 想提取1997
- 这样是不够的,只能提取出7
这样就ok啦!
或者必须取消贪婪
综合实战
源字符串
可提取1,2,3,4
以下为完美解决规则
