Python如何利用正则表达式爬取网页信息及图片_Python

一、正则表达式是什么?

概念:

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。

个人理解:

简单来说就是使用正则表达式来写一个过滤器来过滤了掉杂乱的无用的信息(eg:网页源代码…)从中来获取自己想要的内容

二、实战项目

1.爬取内容

获取上海所有三甲医院的名称并保存到.txt文件中

2.访问链接

上海三甲医院网站 link：https://yyk.99.com.cn/sanjia/shanghai/

3.正则表达式书写的灵感

进入网站查看本页面的源代码发现：医院的名称都是放在一个

				?

									<div class="province-box"> ...... </div>

盒子里我们只需要直接把这个盒子里面的数据过滤一下就行

正则表达式:

法一:

1.一级过滤 :

开头是:<div class="province-box"> (.*) 结尾是:<div class="wrap-right">

2.二级过滤:

title="(.*[院心部]）*)" 获取title=" " 里面的信息

法二:

优化后一次性过滤:

结尾是:

Python如何利用正则表达式爬取网页信息及图片

4.项目源代码

									import requests

									import re

									url = "https://yyk.99.com.cn/sanjia/shanghai/"

									# 模拟浏览器的访问

									headers ={'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64; rv:87.0) '

									                        'gecko/20100101 firefox/87.0'}

									res = requests.get(url,headers=headers)

									if res.status_code == 200:

									    #1.获取网页源代码

									    raw_text = res.text

									    #2.正则表达式书写:

									    #2.2注意:正则表达式默认匹配的是一行  我们的源代码是多行匹配的要加另一个参数 re.dotall

									    #2.3正则法一:

									        #re.findall() 返回的是lsit集合 一次过滤

									    re_res = re.findall(r'<div class="province-box">(.*)<div class="wrap-right">', raw_text,re.dotall)

									        #re_res[0] 获取下标是的数据    二次过滤

									    res=re.findall(r'title="(.*[院心部]）*)"',re_res[0])

									        #检查打印获取到的信息

									    print(res)

									    #2.4正则法二:

									        #(优化)不用二次过滤 一次过滤就解决了

									    # re_list = re.findall(r'<li><a href="/[^/].*/" rel="external nofollow"  rel="external nofollow"  target="_blank"  src="/uploads/allimg/211013/14492222R-2.jpg" />

	部分结果:

	python 正则表达式-提取图片地址
				?

									import os,sys,time,json,time

									import socket,random,hashlib

									import requests,configparser

									import json,re

									from datetime import datetime

									from multiprocessing.dummy import pool as threadpool

									def getpicurl(url):

									    url = "http://www.mzitu.com/zipai/comment-page-352"

									    html = requests.get(url).text

									    pic_url = re.findall('img src="(.*?)"',html,re.s)

									    for key in pic_url:

									        print(key + "\r\n")

									    #print(pic_url)

									getpicurl("http://www.mzitu.com/zipai/comment-pag.e-352")

	输出结果：

		python mmm.py

		http://wx3.sinaimg.cn/mw1024/9d52c073gy1fsvu6578k1j20sg15nk4x.jpg

		http://wx1.sinaimg.cn/mw1024/9d52c073gy1fsvu64q4lgj20j60nz0ua.jpg

		http://wx1.sinaimg.cn/mw1024/9d52c073gy1fsvu67hhbaj20sg110toc.jpg

		http://wx2.sinaimg.cn/mw1024/9d52c073gy1fsvu66bw56j20sg0zjtlr.jpg

		http://wx1.sinaimg.cn/mw1024/9d52c073gy1fsvu65vvvtj20sg0mmtfc.jpg

		http://wx2.sinaimg.cn/mw1024/9d52c073gy1fsvu66gtnzj20sg0zk48h.jpg

		http://wx1.sinaimg.cn/mw1024/9d52c073gy1fsvu65q1qyj20sg11vtmo.jpg

		http://wx3.sinaimg.cn/mw1024/9d52c073gy1fsvu64wgejj20e60iwtax.jpg

		http://wx1.sinaimg.cn/mw1024/9d52c073gy1fsvu66a8xfj20lt0rptgw.jpg

		http://wx4.sinaimg.cn/mw1024/9d52c073gy1fsnr6n7n66j20k00ozn52.jpg

		http://wx1.sinaimg.cn/mw1024/9d52c073gy1fsnr6njhjyj20sg0zkn88.jpg

		http://wx3.sinaimg.cn/mw1024/9d52c073gy1fsnr6n2zmyj20sg0ldten.jpg

	总结
	到此这篇关于python如何利用正则表达式爬取网页信息及图片的文章就介绍到这了,更多相关python正则表达式爬取内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！

	原文链接：https://blog.csdn.net/Jun_Jun_0/article/details/115702833
标签：正则表达式 Python 爬取

`相关文章`

python中sys模块的介绍与实例2021-10-13


Python中os模块的简单使用及重命名操作2021-10-13
Python利器openpyxl之操作excel表格2021-10-13
用Python简陋模拟n阶魔方2021-10-13
Python OpenCV快速入门教程2021-10-13
python小程序之飘落的银杏2021-10-13

`热门资讯`

: yue是什么意思网络流行语yue了是什么梗 2020-10-11


2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
背刺什么意思 网络词语背刺是什么梗 2020-05-22
2021年耽改剧名单 2021要播出的59部耽改剧列表 2021-03-05
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总 2020-11-13

返回顶部