python3爬蟲(chóng)之入門(mén)基礎(chǔ)和正則表達(dá)式

前面的python3入門(mén)系列基本上也對(duì)python入了門(mén)，從這章起就開(kāi)始介紹下python的爬蟲(chóng)教程，拿出來(lái)給大家分享；爬蟲(chóng)說(shuō)的簡(jiǎn)單，就是去抓取網(wǎng)路的數(shù)據(jù)進(jìn)行分析處理；這章主要入門(mén)，了解幾個(gè)爬蟲(chóng)的小測(cè)試，以及對(duì)爬蟲(chóng)用到的工具介紹，比如集合，隊(duì)列，正則表達(dá)式；

用python抓取指定頁(yè)面：

代碼如下：

import urllib.request
url= "http://www.baidu.com"
data = urllib.request.urlopen(url).read()#
data = data.decode('UTF-8')
print(data)

urllib.request.urlopen(url) 官方文檔 返回一個(gè) http.client.HTTPResponse 對(duì)象, 這個(gè)對(duì)象又用到的read()方法;返回?cái)?shù)據(jù)；這個(gè)函數(shù)返回一個(gè) http.client.HTTPResponse 對(duì)象, 這個(gè)對(duì)象又有各種方法, 比如我們用到的read()方法；

查找可變網(wǎng)址：

import urllib
import urllib.request
data={}
data['word']='one peace'
url_values=urllib.parse.urlencode(data)
url="http://www.baidu.com/s?"
full_url=url+url_values
a = urllib.request.urlopen(full_url)
data=a.read()
data=data.decode('UTF-8')
print(data)
##打印出網(wǎng)址：
a.geturl()

data是一個(gè)字典, 然后通過(guò)urllib.parse.urlencode()來(lái)將data轉(zhuǎn)換為 ‘word=one+peace'的字符串, 最后和url合并為full_url

python正則表達(dá)式介紹：

隊(duì)列 介紹

在爬蟲(chóng)的程序中用到了廣度優(yōu)先級(jí)算法，該算法用到了數(shù)據(jù)結(jié)構(gòu)，當(dāng)然你用list也可以實(shí)現(xiàn)隊(duì)列，但是效率不高?，F(xiàn)在在此處介紹下：在容器中有隊(duì)列：collection.deque

#隊(duì)列簡(jiǎn)單測(cè)試：
from collections import deque
queue=deque(["peace","rong","sisi"])
queue.append("nick")
queue.append("pishi")
print(queue.popleft())
print(queue.popleft())
print(queue)

集合介紹：

在爬蟲(chóng)程序中, 為了不重復(fù)爬那些已經(jīng)爬過(guò)的網(wǎng)站, 我們需要把爬過(guò)的頁(yè)面的url放進(jìn)集合中, 在每一次要爬某一個(gè)url之前, 先看看集合里面是否已經(jīng)存在. 如果已經(jīng)存在, 我們就跳過(guò)這個(gè)url; 如果不存在, 我們先把url放入集合中, 然后再去爬這個(gè)頁(yè)面.

Python 還 包 含 了 一 個(gè) 數(shù) 據(jù) 類(lèi) 型—— set ( 集 合 ) 。 集 合 是 一 個(gè) 無(wú) 序 不 重 復(fù) 元素 的 集 。 基 本 功 能 包 括 關(guān) 系 測(cè) 試 和 消 除 重 復(fù) 元 素 。 集 合 對(duì) 象 還 支 持 union( 聯(lián)合),intersection(交),difference(差)和 sysmmetric difference(對(duì)稱(chēng)差集)等數(shù)學(xué)運(yùn)算。

大括號(hào)或 set() 函數(shù)可以用來(lái)創(chuàng)建集合。 注意:想要?jiǎng)?chuàng)建空集合,你必須使用set() 而不是 {} 。{}用于創(chuàng)建空字典；

集合的創(chuàng)建演示如下：

 a={"peace","peace","rong","rong","nick"}
  print(a)
  "peace" in  a
  b=set(["peace","peace","rong","rong"])
  print(b)
  #演示聯(lián)合
  print(a|b)
  #演示交
  print(ab)
  #演示差
  print(a-b)
  #對(duì)稱(chēng)差集
  print(a^b)
#輸出： 
{'peace', 'rong', 'nick'}
{'peace', 'rong'}
{'peace', 'rong', 'nick'}
{'peace', 'rong'}
{'nick'}
{'nick'}

正則表達(dá)式

在爬蟲(chóng)時(shí)收集回來(lái)的一般是字符流，我們要從中挑選出url就要求有簡(jiǎn)單的字符串處理能力，而用正則表達(dá)式可以輕松的完成這一任務(wù)；

正則表達(dá)式的步驟：1，正則表達(dá)式的編譯 2，正則表達(dá)式匹配字符串 3，結(jié)果的處理

下圖列出了正則表達(dá)式的語(yǔ)法：

在pytho中使用正則表達(dá)式，需要引入re模塊；下面介紹下該模塊中的一些方法；

1.compile和match

re模塊中compile用于生成pattern的對(duì)象，再通過(guò)調(diào)用pattern實(shí)例的match方法處理文本最終獲得match實(shí)例；通過(guò)使用match獲得信息；

import re

# 將正則表達(dá)式編譯成Pattern對(duì)象
pattern = re.compile(r'rlovep')
# 使用Pattern匹配文本，獲得匹配結(jié)果，無(wú)法匹配時(shí)將返回None
m = pattern.match('rlovep.com')
if m:
# 使用Match獲得分組信息
  print(m.group())
### 輸出 ###
# rlovep
re.compile(strPattern[, flag]):

這個(gè)方法是Pattern類(lèi)的工廠(chǎng)方法，用于將字符串形式的正則表達(dá)式編譯為Pattern對(duì)象。 第二個(gè)參數(shù)flag是匹配模式，取值可以使用按位或運(yùn)算符'|'表示同時(shí)生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價(jià)的。

可選值有：

re.I(re.IGNORECASE): 忽略大小寫(xiě)（括號(hào)內(nèi)是完整寫(xiě)法，下同）

M(MULTILINE): 多行模式，改變'^'和'$'的行為（參見(jiàn)上圖）

S(DOTALL): 點(diǎn)任意匹配模式，改變'.'的行為

L(LOCALE): 使預(yù)定字符類(lèi) \w \W \b \B \s \S 取決于當(dāng)前區(qū)域設(shè)定

U(UNICODE): 使預(yù)定字符類(lèi) \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性

X(VERBOSE): 詳細(xì)模式。這個(gè)模式下正則表達(dá)式可以是多行，忽略空白字符，并可以加入注釋。

Match:Match對(duì)象是一次匹配的結(jié)果，包含了很多關(guān)于此次匹配的信息，可以使用Match提供的可讀屬性或方法來(lái)獲取這些信息。

屬性：

string: 匹配時(shí)使用的文本。
re: 匹配時(shí)使用的Pattern對(duì)象。
pos: 文本中正則表達(dá)式開(kāi)始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
endpos: 文本中正則表達(dá)式結(jié)束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
lastindex: 最后一個(gè)被捕獲的分組在文本中的索引。如果沒(méi)有被捕獲的分組，將為None。
lastgroup: 最后一個(gè)被捕獲的分組的別名。如果這個(gè)分組沒(méi)有別名或者沒(méi)有被捕獲的分組，將為None。

方法：

group([group1, …]):
獲得一個(gè)或多個(gè)分組截獲的字符串；指定多個(gè)參數(shù)時(shí)將以元組形式返回。group1可以使用編號(hào)也可以使用別名；編號(hào)0代表整個(gè)匹配的子串；不填寫(xiě)參數(shù)時(shí)，返回group(0)；沒(méi)有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
groups([default]):
以元組形式返回全部分組截獲的字符串。相當(dāng)于調(diào)用group(1,2,…last)。default表示沒(méi)有截獲字符串的組以這個(gè)值替代，默認(rèn)為None。
groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒(méi)有別名的組不包含在內(nèi)。default含義同上。
start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個(gè)字符的索引）。group默認(rèn)值為0。
end([group]):
返回指定的組截獲的子串在string中的結(jié)束索引（子串最后一個(gè)字符的索引+1）。group默認(rèn)值為0。
span([group]):
返回(start(group), end(group))。
expand(template):
將匹配到的分組代入template中然后返回。template中可以使用\id或\gid>、 \gname>引用分組，但不能使用編號(hào)0。\id與\gid>是等價(jià)的；但\10將被認(rèn)為是第10個(gè)分組，如果你想表達(dá) \1之后是字符'0'，只能使用\g1>0。
pattern:Pattern對(duì)象是一個(gè)編譯好的正則表達(dá)式，通過(guò)Pattern提供的一系列方法可以對(duì)文本進(jìn)行匹配查找。

Pattern不能直接實(shí)例化，必須使用re.compile()進(jìn)行構(gòu)造。

Pattern提供了幾個(gè)可讀屬性用于獲取表達(dá)式的相關(guān)信息：

pattern: 編譯時(shí)用的表達(dá)式字符串。
flags: 編譯時(shí)用的匹配模式。數(shù)字形式。
groups: 表達(dá)式中分組的數(shù)量。
groupindex: 以表達(dá)式中有別名的組的別名為鍵、以該組對(duì)應(yīng)的編號(hào)為值的字典，沒(méi)有別名的組不包含在內(nèi)。
實(shí)例方法[ | re模塊方法]：

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
這個(gè)方法將從string的pos下標(biāo)處起嘗試匹配pattern；如果pattern結(jié)束時(shí)仍可匹配，則返回一個(gè)Match對(duì)象；如果匹配過(guò)程中pattern無(wú)法匹配，或者匹配未結(jié)束就已到達(dá)endpos，則返回None。
pos和endpos的默認(rèn)值分別為0和len(string)；re.match()無(wú)法指定這兩個(gè)參數(shù)，參數(shù)flags用于編譯pattern時(shí)指定匹配模式。
注意：這個(gè)方法并不是完全匹配。當(dāng)pattern結(jié)束時(shí)若string還有剩余字符，仍然視為成功。想要完全匹配，可以在表達(dá)式末尾加上邊界匹配符'$'。
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
這個(gè)方法用于查找字符串中可以匹配成功的子串。從string的pos下標(biāo)處起嘗試匹配pattern，如果pattern結(jié)束時(shí)仍可匹配，則返回一個(gè)Match對(duì)象；若無(wú)法匹配，則將pos加1重新嘗試匹配；直到pos=endpos時(shí)仍無(wú)法匹配則返回None。 pos和endpos的默認(rèn)值分別為0和len(string))；re.search()無(wú)法指定這兩個(gè)參數(shù)，參數(shù)flags用于編譯pattern時(shí)指定匹配模式。
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數(shù)，不指定將全部分割。
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一個(gè)順序訪(fǎng)問(wèn)每一個(gè)匹配結(jié)果（Match對(duì)象）的迭代器。
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替換string中每一個(gè)匹配的子串后返回替換后的字符串。 當(dāng)repl是一個(gè)字符串時(shí)，可以使用\id或\gid>、\gname>引用分組，但不能使用編號(hào)0。 當(dāng)repl是一個(gè)方法時(shí)，這個(gè)方法應(yīng)當(dāng)只接受一個(gè)參數(shù)（Match對(duì)象），并返回一個(gè)字符串用于替換（返回的字符串中不能再引用分組）。 count用于指定最多替換次數(shù)，不指定時(shí)全部替換。
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替換次數(shù))。

2.re.match(pattern, string, flags=0)

函數(shù)參數(shù)說(shuō)明：