首页 > 代码库 > python爬虫入门（2）re模块-正则表达式

python爬虫入门（2）re模块-正则表达式

2024-09-24 02:33:46   216人阅读

正则表达式

search //匹配第一次遇到符合规则的
匹配IP地址
  1. import re
  2. re.search(r‘(([01]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])\.){3}([01]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])‘,‘192.168.1.1‘)

findall:匹配所有，把所有匹配到的字符放到一个列表中并返回
  1. >>> p = re.compile(‘\d+‘)
  2. >>> p.findall(‘3只小甲鱼，15条腿，多出的3条在哪里？‘)
  3. [‘3‘, ‘15‘, ‘3‘]


编译正则表达式   re.compile()
  1. >>> import re
  2. >>> p = re.compile(‘[a-z]+‘)
  3. >>> p
  4. re.compile(‘[a-z]+‘)
  6. >>> p.match("")
  7. >>> print(p.match(""))
  8. None
  10. >>> m = p.match(‘fishc‘)
  11. >>> m  
  12. <_sre.SRE_Match object; span=(0, 5), match=‘fishc‘>
方法：
group()   返回匹配的字符串
start()    返回匹配的开始位置
end()      返回匹配的结束位置
span()    返回一个元组表示匹配位置（开始，结束）
  1. >>> m.group()
  2. ‘fishc‘
  3. >>> m.start()
  4. 0
  5. >>> m.end()
  6. 5
  7. >>> m.span()
  8. (0, 5)

编译标志，详情请查看http://bbs.fishc.com/thread-57207-1-1.html
  1. 设置了编译标志符
  2. charref = re.compile(r"""
  3.  &[#]                # 开始数字引用
  4.  (
  5.      0[0-7]+         # 八进制格式
  6.    | [0-9]+          # 十进制格式
  7.    | x[0-9a-fA-F]+   # 十六进制格式
  8.  )
  9.  ;                   # 结尾分号
  10. """, re.VERBOSE)
  1. 未设置编译标志符
  2. charref = re.compile("&#(0[0-7]+|[0-9]+|x[0-9a-fA-F]+);")


示例1：从代理网站上爬IP地址
  1. import urllib.request
  2. import re
  4. def open_url(url):
  5.     req = urllib.request.Request(url)
  6.     req.add_header(‘User-Agent‘,‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.97 Safari/537.36‘)
  7.     page = urllib.request.urlopen(req)#获取页面内容
  8.     html = page.read().decode(‘utf-8‘)#解码页面内容
  9.     return html
  11. def get_img(html):
  12.     p = r‘(?:(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])\.){3}(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])‘  #匹配IP地址
  13.     iplist = re.findall(p,html)
  15.     for each in iplist:
  16.         print(each)
  18. if __name__ == ‘__main__‘:
  19.     url = "http://www.xicidaili.com/"
  20.     get_img(open_url(url))


示例2：爬取妹纸图
  1. import urllib.request
  2. import os
  3. import re
  5. def save_imgs(folder,img_addrs):
  6.     for each in img_addrs:
  7.         filename=each.split(‘/‘)[-1]
  8.         with open(filename,‘wb‘) as f:
  9.             img =url_open(each)
  10.             f.write(img)
  11.         print(1)
  12.     print(2)
  15. def url_open(url):
  16.     reg= urllib.request.Request(url)
  17.     reg.add_header(‘User-Agent‘,‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36‘)
  18.     response = urllib.request.urlopen(url)
  19.     html= response.read()
  20.     
  21.     return html
  22. def get_page(url):
  23.     html = url_open(url).decode(‘utf-8‘)
  24.     
  25.     #a = html.find(‘current-comment-page‘)+23
  26.     a = re.search (r‘\[\d{1,4}\]‘,html)
  27.     a = a.group()
  28.     b=len(a)
  29.     a=a[1:b-1]
  30.     return a    
  31. def find_imgs(url):
  32.     html =url_open(url).decode(‘utf-8‘)
  33.     img_addrs= []
  34.     a = html.find(‘img src=http://www.mamicode.com/‘)
  35.     while a != -1:
  36.         b = html.find(‘.jpg‘,a,a+255)
  37.         if b!= -1 :
  38.             if ‘lanya‘ in html[a+9:b+4]:
  39.                 pass
  40.             else:
  41.                 img_addrs.append(‘http:‘+html[a+9:b+4])
  42.         else:
  43.             b=a+9
  44.         a = html.find(‘img src=http://www.mamicode.com/‘,b)
  45.     print(img_addrs)
  46.     return img_addrs
  50. def download_mm(folder=‘ooxx‘,pages=4,star=0):
  51.     os.mkdir(folder)
  52.     os.chdir(folder)
  53.     
  54.     url = ‘http://jandan.net/ooxx/‘  #妹子图地址
  55.     #url = ‘http://jandan.net/pic/‘ #无聊图地址
  56.     if star!= 0 :
  57.         page_num = star
  58.     else:
  59.         page_num=int(get_page(url))
  60.     for i in  range(pages):
  61.     
  62.         page_num-=1
  63.         page_url = url + ‘page-‘+str(page_num)+‘#comments‘
  64.        
  65.         img_addrs=find_imgs(page_url)
  66.      
  67.         save_imgs(folder,img_addrs)
  68.         
  69.         print(page_url)
  70. if __name__==‘__main__‘:
  71.     download_mm()



null


python爬虫入门（2）re模块-正则表达式


联系
我们