如何用正则表达式爬取古诗文网中的数据（python爬虫）

一、了解正则表达式的基本内容：

什么是正则表达式

正则表达式（Regular Expression，简称 regex）是一种用于匹配字符串的模式。它通过特定的语法规则，可以高效地搜索、替换和提取文本中的特定内容。正则表达式广泛应用于文本处理、数据验证、日志分析等领域。

正则表达式在爬虫中的应用

在爬虫中，正则表达式主要用于从网页源码中提取所需信息。以下是其主要应用场景：

1. 数据提取：

   • 从HTML中提取特定标签的内容，如链接、标题、图片地址等。

   • 示例：提取所有链接：<a\s+(?:[^>]*?\s+)?href="([^"]*)"

2. 数据清洗：

   • 去除多余的空格、换行符或HTML标签。

   • 示例：去除HTML标签：<[^>]+>

3. 数据验证：

   • 验证提取的数据是否符合预期格式，如邮箱、日期等。

   • 示例：验证邮箱：^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$

4. URL匹配：

   • 匹配特定模式的URL，用于过滤或分类。

   • 示例：匹配图片URL：https?://[^\s]+?\.(jpg|png|gif)

正则表达式的核心知识点

1. 基本语法：

   • 字符匹配：普通字符匹配自身，如 a 匹配字符 "a"。

   • 元字符：具有特殊含义的字符，如 . 匹配任意字符，* 匹配前一个字符的零次或多次。

2. 字符类：

   • [abc] 匹配 "a"、"b" 或 "c"。

   • [^abc] 匹配除 "a"、"b"、"c" 之外的字符。

   • \d 匹配数字，\w 匹配字母、数字或下划线，\s 匹配空白字符。

3. 量词：

   • *：零次或多次。

   • +：一次或多次。

   • ?：零次或一次。

   • {n}：恰好 n 次。

   • {n,}：至少 n 次。

   • {n,m}：n 到 m 次。

4. 分组和捕获：

   • (abc) 匹配 "abc" 并捕获。

   • (?:abc) 匹配 "abc" 但不捕获。

5. 锚点：

   • ^ 匹配字符串开头。

   • $ 匹配字符串结尾。

   • \b 匹配单词边界。

6. 贪婪与懒惰匹配：

   • 默认是贪婪匹配，尽可能匹配更多字符。

   • 在量词后加 ? 可进行懒惰匹配，尽可能匹配更少字符。

   • 示例：a.*?b 匹配 "a" 和 "b" 之间的最短内容。

总结

正则表达式是爬虫中强大的工具，能够高效提取和清洗数据。掌握其基本语法和常用技巧，能显著提升爬虫的开发效率和数据处理能力。

同时代码中还涉及到了re库的使用：

re 是 Python 标准库中用于处理正则表达式的模块，提供了丰富的函数和方法来操作字符串。通过 re 库，你可以轻松实现字符串的匹配、查找、替换和分割等操作。

re 库是 Python 中处理正则表达式的强大工具，提供了多种函数和方法来操作字符串。掌握 re 库的使用，可以显著提升文本处理的效率和灵活性，尤其在爬虫开发中，re 库是不可或缺的工具。

re 库的核心功能

1. 编译正则表达式：

   • re.compile(pattern, flags=0)：将正则表达式编译成一个正则对象，便于重复使用。

   • 示例：

     pattern = re.compile(r'\d+')

2. 匹配字符串：

   • re.match(pattern, string, flags=0)：从字符串开头匹配正则表达式，返回匹配对象或 None。

   • 示例：

     match = re.match(r'\d+', '123abc')
     if match:
         print(match.group())  # 输出: 123

3. 搜索字符串：

   • re.search(pattern, string, flags=0)：在字符串中搜索第一个匹配项，返回匹配对象或 None。

   • 示例：

     search = re.search(r'\d+', 'abc123def')
     if search:
         print(search.group())  # 输出: 123

4. 查找所有匹配项：

   • re.findall(pattern, string, flags=0)：返回所有匹配项的列表。

   • 示例：

     findall = re.findall(r'\d+', 'a1b2c3')
     print(findall)  # 输出: ['1', '2', '3']

5. 查找所有匹配项（返回迭代器）：

   • re.finditer(pattern, string, flags=0)：返回所有匹配项的迭代器，每个元素是一个匹配对象。

   • 示例：

     finditer = re.finditer(r'\d+', 'a1b2c3')
     for match in finditer:
         print(match.group())  # 输出: 1, 2, 3

6. 替换字符串：

   • re.sub(pattern, repl, string, count=0, flags=0)：替换字符串中所有匹配项，返回替换后的字符串。

   • 示例：

     sub = re.sub(r'\d+', 'X', 'a1b2c3')
     print(sub)  # 输出: aXbXcX

7. 分割字符串：

   • re.split(pattern, string, maxsplit=0, flags=0)：根据正则表达式分割字符串，返回列表。

   • 示例：

     split = re.split(r'\d+', 'a1b2c3')
     print(split)  # 输出: ['a', 'b', 'c', '']
     

re 库的常用方法详解

1. 匹配对象的方法：

   • group()：返回匹配的字符串。

   • start()：返回匹配的起始位置。

   • end()：返回匹配的结束位置。

   • span()：返回匹配的 (起始, 结束) 位置元组。

2. 编译标志：

   • re.IGNORECASE 或 re.I：忽略大小写。

   • re.MULTILINE 或 re.M：多行模式，^ 和 $ 匹配每行的开头和结尾。

   • re.DOTALL 或 re.S：. 匹配包括换行符在内的所有字符。

   • re.VERBOSE 或 re.X：允许在正则表达式中添加注释和空白符。

二、具体的爬虫代码解释（以古诗文网为例）

古诗文网-古诗文经典传承

url=唐代诗文_古诗文网https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3 （以唐代的诗文题目为例，可扩充）

右键检查 ：

具体的代码解释 ：

1. requests 库的使用

• 功能：requests 是一个用于发送 HTTP 请求的 Python 库，常用于爬虫中获取网页内容。

• 知识点：

  • requests.get(url, headers=headers)：发送 GET 请求，获取网页内容。

  • resp.encoding = 'utf-8'：设置响应的编码格式，确保正确解析中文内容。

  • resp.text：获取响应的文本内容（HTML 源码）。

  • headers：请求头，用于模拟浏览器访问，避免被网站反爬虫机制拦截。

    • User-Agent：标识客户端类型（如浏览器），示例中使用的是 Chrome 浏览器的标识。

2. 正则表达式（re 库）

• 功能：用于从 HTML 文本中提取目标数据（如古诗标题）。

• 知识点：

  • re.findall(pattern, string, flags)：从字符串中查找所有匹配正则表达式的部分，返回一个列表。

  • 正则表达式模式：

    • r'<div\sclass="cont">.*?<b>(.*?)</b>'：

      • <div\sclass="cont">：匹配 <div class="cont"> 标签。

      • .*?：非贪婪匹配任意字符（尽可能少匹配）。

      • <b>(.*?)</b>：匹配 <b> 标签中的内容，(.*?) 是捕获组，提取标题内容。

  • re.DOTALL 标志：使 . 匹配包括换行符在内的所有字符。

3. Python 函数

• 功能：将代码模块化，提高可读性和复用性。

• 知识点：

  • def parse_page(url)：定义一个函数，用于解析网页内容。

  • def spider()：定义一个函数，作为爬虫的入口。

  • if __name__ == '__main__':：确保脚本在直接运行时执行 spider() 函数，而在被导入时不执行。

4. URL 和请求头

• 知识点：

  • URL：

    • https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3：目标网页地址。

    • cstr=%e5%94%90%e4%bb%a3：URL 编码，表示查询参数（这里是“唐代”）。

  • 请求头：

    • headers：用于模拟浏览器访问，避免被反爬虫机制拦截。

    • User-Agent：标识客户端类型，示例中使用的是 Chrome 浏览器的标识。

5. 编码问题

• 知识点：

  • resp.encoding = 'utf-8'：设置响应的编码格式为 UTF-8，确保正确解析中文内容。

  • 如果未设置编码，可能会导致乱码问题。

6. 代码执行流程

• 知识点：

  1. 调用 spider() 函数。

  2. spider() 函数调用 parse_page(url)，传入目标 URL。

  3. parse_page(url) 发送 HTTP 请求，获取网页内容。

  4. 使用正则表达式从 HTML 中提取古诗标题。

  5. 打印提取的标题列表。

具体代码展示：

import requests
import re

url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3"
header = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/134.0.0.0 Safari/537.36 Edg/134.0.0.0"
}

def parse_page(url):
    resp = requests.get(url, headers=header)
    resp.encoding = 'utf-8'  # 确保编码正确
    html = resp.text
    # 调整正则表达式以匹配实际的HTML结构
    titles = re.findall(r'<div\sclass="cont">.*?<b>(.*?)</b>', html, re.DOTALL)
    print(titles)

def spider():
    url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3"  # 古诗文网
    parse_page(url)

if __name__ == '__main__':
    spider()

运行结果：

 三、改进建议：根据以上代码格式不光可以爬取古诗文题目也可以爬取内容作者等

所以后面的代码有改动： 

import requests
import re

# 目标URL
url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3"

# 请求头，模拟浏览器访问
header = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/134.0.0.0 Safari/537.36 Edg/134.0.0.0"
}

def parse_page(url):
    # 发送HTTP请求，获取网页内容
    resp = requests.get(url, headers=header)
    resp.encoding = 'utf-8'  # 设置编码
    html = resp.text

    # 正则表达式提取古诗的标题、作者和内容
    poem_pattern = re.compile(
        r'<div class="cont">.*?<b>(.*?)</b>.*?'  # 标题
        r'<p class="source">.*?<a.*?>(.*?)</a>.*?<a.*?>(.*?)</a>.*?'  # 作者
        r'<div class="contson".*?>(.*?)</div>',  # 内容
        re.DOTALL
    )

    # 查找所有匹配的古诗
    poems = poem_pattern.findall(html)

    # 遍历提取结果
    for poem in poems:
        title = poem[0].strip()  # 标题
        author = f"{poem[1].strip()} {poem[2].strip()}"  # 作者
        content = re.sub(r'<.*?>', '', poem[3]).strip()  # 去除内容中的HTML标签

        # 打印结果
        print(f"标题: {title}")
        print(f"作者: {author}")
        print(f"内容: {content}")
        print("-" * 50)  # 分隔线

def spider():
    # 目标URL
    url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3"
    parse_page(url)

if __name__ == '__main__':
    spider()

部分正则表达式的来源： 

poem_pattern = re.compile(
    r'<div class="cont">.*?<b>(.*?)</b>.*?'  # 标题
    r'<p class="source">.*?<a.*?>(.*?)</a>.*?<a.*?>(.*?)</a>.*?'  # 作者
    r'<div class="contson">.*?>(.*?)</div>',  # 内容
    re.DOTALL
)

运行结果：