正则提取案例(古诗文网)

正则的一个实例,提取古诗文网https://www.gushiwen.org/default_1.aspx的诗文。

参照课程写的。

 1 import re
 2 import requests
 3 
 4 
 5 def parse_page(url):
 6     headers = {'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
 7     response = requests.get(url,headers=headers)
 8     text = response.text
 9     # print(text)
10     values = re.findall(
11         '<p><a style="font-size.*? target="_blank"><b>(.+?)</b></a>[\s\S]*?target="_blank">(.+?)</a><span>.+? '
12         'target="_blank">(.+?)</a></p>[\s\S]+?<div class="contson".+?>\n([\s\S]+?)\n</div>', text)
13 
14     poems = []
15     for value in values:
16         title, dynasty, author, content = value
17         # 替换br为换行   ,,有些诗文中会有<p>标签要去掉
18         content = re.sub('<br />', '\n', content)
19         content = re.sub('<.*?>', '', content)
20         poem = {
21             'title': title,
22             'dynasty': dynasty,
23             'author': author,
24             'content': content
25         }
26         poems.append(poem)
27     return poems
28 
29 
30 def main():
31     url = 'https://www.gushiwen.org/default_1.aspx'
32     poems = parse_page(url)
33     print(poems)
34 
35 
36 if __name__ == '__main__':
37     main()

 

老师课程中代码是将标题、朝代、作者、内容分开获取的,然后用zip函数将多个列表组合成一个元祖列表。

 

备忘点

一、zip函数,可以将多个列表组合成一个元祖的列表

二、

title, dynasty, author, content = value可以直接将元祖value中的元素分别赋值

三、

re.findall(pattern, text, re.DOTALL)正则中点.不能匹配换行,可以使用[\s\S]表示所有字符,或者可以使用re.DOTALL或re.S标志就可以使点.表示所有字符了

首先想到的是[.\n]表示,可是不能匹配,查百度发现原来是[.]表示的就只是点.这一个字符了.所以不行.

 

 

 

 

转载于:https://www.cnblogs.com/weiwei2016/p/10423880.html

【为什么学爬虫?】        1、爬虫入手容易,但是深入较难,如何写出高效率的爬虫,如何写出灵活性高可扩展的爬虫都是一项技术活。另外在爬虫过程中,经常容易遇到被反爬虫,比如字体反爬、IP识别、验证码等,如何层层攻克难点拿到想要的数据,这门课程,你都能学到!        2、如果是作为一个其他行业的开发者,比如app开发,web开发,学习爬虫能让你加强对技术的认知,能够开发出更加安全的软件和站 【课程设计】 一个完整的爬虫程序,无论大小,总体来说可以分成三个步骤,分别是:络请求:模拟浏览器的行为从上抓取数据。数据解析:将请求下来的数据进行过滤,提取我们想要的数据。数据存储:将提取到的数据存储到硬盘或者内存中。比如用mysql数据库或者redis等。那么本课程也是按照这几个步骤循序渐进的进行讲解,带领学生完整的掌握每个步骤的技术。另外,因为爬虫的多样性,在爬取的过程中可能会发生被反爬、效率低下等。因此我们又增加了两个章节用来提高爬虫程序的灵活性,分别是:爬虫进阶:包括IP代理,多线程爬虫,图形验证码识别、JS加密解密、动态页爬虫、字体反爬识别等。Scrapy和分布式爬虫:Scrapy框架、Scrapy-redis组件、分布式爬虫等。通过爬虫进阶的知识点我们能应付大量的反爬站,而Scrapy框架作为一个专业的爬虫框架,使用他可以快速提高我们编写爬虫程序的效率和速度。另外如果一台机器不能满足你的需求,我们可以用分布式爬虫让多台机器帮助你快速爬取数据。 从基础爬虫到商业化应用爬虫,本套课程满足您的所有需求!【课程服务】 专属付费社群+定期答疑
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值