python中怎么利用正则表达式从网页摘取信息

发布时间:2021-07-10 15:23:55 作者:Leah
来源:亿速云 阅读:328

python中怎么利用正则表达式从网页摘取信息,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。

确认数据源

练习从网页爬取数据时,为了不触发网站的反爬机制,建议打开网页另存为html文件。我从某网站保存了一页关于房产信息的网页,尝试从中爬取信息。

然后用notepad++打开该文件,看看文件内容。

python中怎么利用正则表达式从网页摘取信息

编写正则表达式

是不是感觉有点无从下手?别慌,慢慢来。通过对比网页和网页代码我们确认信息特征。

房产名称

急降60万  急卖全款客户来 宝山二村好位置

复制该信息,到html文件中通过ctrl+F查找该信息,然后认真查看“房产名称”前后的字符特征:

前面的字符特征:

;</span>"  &gt;

后面的字符特征:

&amp;nbsp;

现在对照房产名称前后的字符特征编写正则表达式,同时给“房产名称”进行分组命名(?P.*?):

;</span>"  &gt;(?P<name>.*?)&amp;nbsp;

注意: .*?在爬取网页时经常会用到,表示匹配任意内容任意数量直到遇到后面的字符特征结束。

房型

现在再观察下一项“房型”信息前后的字符特征:

前面的字符特征:

span&gt;</span>

后面的字符特征:

<span class="html-tag">

如法炮制,提取“房型”信息并进行分组命名(?P.*?):

span&gt;</span>(?P<type>.*?)<span class="html-tag">

注意: 在房产名称和房型之间有大段网页代码,我们可以写.*?对应该段代码表示跳过。

面积

现在再观察下一项“面积”信息前后的字符特征:

前面的字符特征:

<span class="html-tag">&lt;span&gt;</span>

后面的字符特征:

&nbsp;<span

如法炮制,提取“面积”信息并进行分组命名(?P.*?):

<span class="html-tag">&lt;span&gt;</span>(?P<area>.*?)&nbsp;<span

总价

现在就剩最后一项“总价”信息,继续查找该信息前后的字符特征:

前面的字符特征:

</span><span class="html-tag">&lt;b&gt;</span>

后面的字符特征:

<span class="html-tag">&lt

如法炮制,提取“总价”信息并进行分组命名(?P.*?):

</span><span class="html-tag">&lt;b&gt;</span>(?P<price>.*?)<span class="html-tag">&lt

现在提取网页数据四项信息的正则表达式均已写好,注意每一项信息之间间隔了很多的网页代码,我们可以用.*?对应该段代码表示跳过。让我们现在把4段信息连起来,写出完整的正则表达式:

rex = ';</span>"  &gt;(?P<name>.*?)&amp;nbsp;.*?span&gt;</span>(?P<type>.*?)<span class="html-tag">.*?<span class="html-tag">&lt;span&gt;</span>(?P<area>.*?)&nbsp;<span.*?</span><span class="html-tag">&lt;b&gt;</span>(?P<price>.*?)<span class="html-tag">&lt'

编写代码

import rewith open('房屋信息.html',encoding='utf8') as f:text = f.read()rex = ';</span>"  &gt;(?P<name>.*?)&amp;nbsp;.*?span&gt;</span>(?P<type>.*?)<span class="html-tag">.*?<span class="html-tag">&lt;span&gt;</span>(?P<area>.*?)&nbsp;<span.*?</span><span class="html-tag">&lt;b&gt;</span>(?P<price>.*?)<span class="html-tag">&lt'ret = re.finditer(rex, text, re.S)j = 1for i in ret:print(j,i.group('name'), i.group('type'), i.group('area'), i.group('price'))j +=1

输出内容

最终输出内容有120项,信息式样如下:

python中怎么利用正则表达式从网页摘取信息

看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注亿速云行业资讯频道,感谢您对亿速云的支持。

推荐阅读:
  1. python中怎么利用 random从集合中随机选择元素
  2. python中怎么利用正则表达式筛选文本信息

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

python 正则表达式

上一篇:linux如何实现ADSL断线重拨

下一篇:python中re模块如何使用

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》