Python分布式爬虫实战(三) - 爬虫基础知识(上)

简介: Python分布式爬虫实战(三) - 爬虫基础知识(上)

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:

  • requestsbeautifulsoup 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 cssxpath 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

image.png

^ : 以什么字符开头 此处以J开头即可!

image.png

$ : 以什么字符结尾 此处以4结尾即可!

image.png

J开头,中间为任意字符,最后以4结尾

image.png

? : 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

image.png

欲取得字符串 boooooooob 

image.png

然而现实,却是

image.png

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

image.png

于是我们,更改匹配规则

image.png

结果令人失望!居然还多了个小b!!!

image.png

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!

image.png

终于......提取成功啦!

image.png

限定出现次数

image.png

| : 表示或关系

image.png

下面更改源字符串

image.png

规则

image.png

结果

image.png

想要提取完整的怎么做呢?

image.png

结果

image.png

[]

image.png

规则

image.png

结果

image.png

匹配电话号码

image.png

规则

image.png

其中有 ^

image.png

\s

image.png

image.png


\S只能匹配一个非空字符!!!

image.png

image.png

\w

image.png

image.png

image.png

w不满足的空格,W满足!

image.png

汉字编码


image.png

源字符串

image.png

想提取到底是什么大学

image.png

这样也是不行的,又产生了贪婪匹配问题

image.png

所以要加上 ?取消贪婪

image.png

完美提取XX大学

d D

image.png

源字符串

image.png

  • 想提取1997
  • 这样是不够的,只能提取出7

image.png

这样就ok啦!

image.png

或者必须取消贪婪

image.png

综合实战

源字符串

image.png

可提取1,2,3,4

image.png

以下为完美解决规则

image.png




目录
相关文章
|
3天前
|
数据采集 机器学习/深度学习 数据可视化
分享68个Python爬虫源码总有一个是你想要的
分享68个Python爬虫源码总有一个是你想要的
20 0
|
1天前
|
数据采集 数据挖掘 Python
Python 爬虫实战
Python爬虫可以用于爬取淘宝商品数据,并对这些数据进行数据分析。下面是一个简单的示例,展示如何使用Python爬取淘宝商品数据并进行数据分析。
|
1天前
|
数据采集 数据可视化 数据挖掘
使用Python编写Web爬虫实现数据采集与分析
在当今信息化时代,数据是企业发展和决策的重要依据。本文将介绍如何使用Python编写Web爬虫来实现对特定网站数据的自动采集,并结合数据分析技术,为读者展示如何利用爬虫技术获取有价值的信息并进行有效的数据处理和分析。
|
2天前
|
数据采集 存储 数据挖掘
Python 爬虫实战之爬拼多多商品并做数据分析
在上面的代码中,我们使用pandas库创建DataFrame存储商品数据,并计算平均价格和平均销量。最后,我们将计算结果打印出来。此外,我们还可以使用pandas库提供的其他函数和方法来进行更复杂的数据分析和处理。 需要注意的是,爬取拼多多商品数据需要遵守拼多多的使用协议和规定,避免过度请求和滥用数据。
|
2天前
|
数据可视化 Python
Python数据可视化利器Matplotlib实战教程
本文将介绍如何使用Python中强大的数据可视化工具Matplotlib,通过丰富的示例和实战操作,帮助读者快速掌握Matplotlib的基本用法和高级技巧,实现数据可视化的艺术。
|
2天前
|
数据采集 数据可视化 数据挖掘
Python爬虫实战:抓取网站数据并生成报表
本文将介绍如何使用Python编写简单而高效的网络爬虫,从指定的网站上抓取数据,并利用数据分析库生成可视化报表。通过学习本文内容,读者将能够掌握基本的爬虫技术和数据处理方法,为日后开发更复杂的数据采集与分析工具打下坚实基础。
|
3天前
|
数据采集 负载均衡 应用服务中间件
Python爬虫之Splash负载均衡配置#7
Splash负载均衡配置【2月更文挑战第28天】
14 0
|
4天前
|
数据采集 数据可视化 Java
分享66个Python爬虫源码总有一个是你想要的
分享66个Python爬虫源码总有一个是你想要的
18 1
|
5天前
|
数据采集 存储 数据挖掘
Python 爬虫实战之爬拼多多商品并做数据分析
Python爬虫可以用来抓取拼多多商品数据,并对这些数据进行数据分析。以下是一个简单的示例,演示如何使用Python爬取拼多多商品数据并进行数据分析。
|
8天前
|
数据采集 存储 开发者
Python爬虫实战:打造高效数据采集工具
本文将介绍如何利用Python编写一个高效的网络爬虫,实现对特定网站数据的快速抓取与处理,帮助开发者更好地应对大规模数据采集的需求。

相关产品

  • 云迁移中心