CSkin博客

标题: 爬虫解析中正则式表达的运用 [打印本页]

作者: suger 时间: 2020-5-25 17:25
标题: 爬虫解析中正则式表达的运用

正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

前言

我看到最近几部电影很火，然后查了下在豆瓣是上的排行榜数据，发现豆瓣里面有各种经典和热映电影的排行榜，于是突发奇想的想爬取下豆瓣电影的排行榜，好像可以用一下最近学的东西实现我的需求，学习了正则表达式之后，想着要感受一下它在爬虫里面的效果和优缺点。

爬取内容：电影排行（rank），名称（name），演员（actor），评分（score），评价（comment），引用（quote）

步骤

## 利用正则表达式爬取豆瓣电影排行（rank,name，actor，score，comment，quote）# 导入库，做好存储预备工作import requestsimport reimport timeimport csvf = open('C:/Users/home/Desktop/3.csv','w+',encoding='utf-8',newline='')writer = csv.writer(f)writer.writerow(['rank','name','actor','score','comment','quote'])# 加入请求头，利用requests请求，爬取数据headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36' }url = 'https://movie.douban.com/top250'# 利用findall方法筛选所需数据,将该步骤封装为函数get_infodef get_info(url): res = requests.get(url, headers=headers) ranks = re.findall(' (.*?)',res.text,re.S) names = re.findall('(.*?).*? / (.*?).*? / (.*?) / (.*?)',res.text,re.S) actors = re.findall('.*?(.*?)   (.*?)... .',res.text,re.S) scores = re.findall('(.*?)',res.text,re.S) comments = re.findall('.*?(.*?)人评价.*?</div>',res.text,re.S) quotes = re.findall('(.*?)',res.text,re.S) for rank,name,actor,score,comment,quote in zip(ranks,names,actors,scores,comments,quotes): writer.writerow([rank,name,actor,score,comment,quote])# 设循环语句，循环爬取数据，每次中断2s防止被绊if __name__ == '__main__': urls = ['https://movie.douban.com/top250?start={}&filter='.format(str(i)) for i in range(0,250,25)] for url in urls: get_info(url) time.sleep(2)

爬取结果

这是一个很简单的应用，也是自己学习之后的实践，在这个例子中，我是用到正则表达式来实现的，还有其他方法，而且可能简单，比如BeautifulSoup，XPath等方法，用在更加复杂的爬虫项目里面，需要的知识更多，方法更严谨，还需学习学习！更多知识爬虫知识可以关注https://www.16yun.cn/help/s_fq/

欢迎光临 CSkin博客 (http://bbs.cskin.net/)