【Python爬虫实战--3】html写正则表达式

以下是要爬虫的html内容:

<div class="article block untagged mb15" id='qiushi_tag_113452216'>

<div class="author">
<a href="/users/30450374" target="_blank">
<img src="http://pic.qiushibaike.com/system/avtnew/3045/30450374/medium/20151014094231.jpg" />
本宫不服
</a>
</div>
<div class="content">
这是镇上一条偏僻路上的一家小饭馆,老板是一对老夫妻,开店几十年了,每次中午路过都要在这吃,满满的实惠。虽然饭店看着挺破败,但菜什么都很干净,因为挺偏的路上,人流较少,菜备的不多,有的菜都现洗。最重要的是价格,特实惠,在镇上其它饭店吃饭,鸡,鱼,价格18元,素菜8元。还不多,土豆炖肉28,只见土豆不见肉。而这家,红烧肉15一盘。全是肉,炒鸡块10元,红烧扁鱼12,素肉5元。这一大碗有肉圆,蘑菇,肉皮等的汤才7元
<!--1445510496-->
</div> <div class="thumb">
<a href="/article/113452216" target="_blank">
<img src="http://pic.qiushibaike.com/system/pictures/11345/113452216/medium/app113452216.jpg" alt="这是镇上一条偏僻路上的一家小饭馆" />
</a>
</div> <div class="stats">
<span class="stats-vote"><i class="number">491</i> 好笑</span>
<span class="stats-comments">
<span class="dash"> · </span>
<a href="/article/113452216" data-share="/article/113452216" id="c-113452216" class="qiushi_comments" target="_blank">
<i class="number">97</i> 评论
</a>
</span>
</div> <div id="qiushi_counts_113452216" class="stats-buttons bar clearfix">
<ul class="clearfix">
<li id="vote-up-113452216" class="up">
<a href="javascript:voting(113452216,1)" class="voting" data-article="113452216" id="up-113452216" rel="nofollow">
<i class="iconfont" data-icon-actived="????" data-icon-original="????">????</i>
<span class="number hidden">498</span>
</a>
</li>
<li id="vote-dn-113452216" class="down">
<a href="javascript:voting(113452216,-1)" class="voting" data-article="113452216" id="dn-113452216" rel="nofollow">
<i class="iconfont" data-icon-actived="????" data-icon-original="????">????</i>
<span class="number hidden">-7</span>
</a>
</li>
<li class="comments">
<a href="/article/113452216" id="c-113452216" class="qiushi_comments" target="_blank" rel="nofollow">
<i class="iconfont" data-icon-actived="????" data-icon-original="????">????</i>
</a>
</li>
</ul>
</div> <div class="single-share">
<!-- JiaThis Button BEGIN -->
<div class="jiathis_style">
<span class="jiathis_txt">分享到:</span>
<a href="###" class="jiathis_button_weixin" rel="external nofollow"></a>
<a href="###" class="jiathis_button_cqq" rel="external nofollow"></a>
<a href="###"class="jiathis_button_qzone" rel="external nofollow"></a>
<a href="###" class="jiathis_button_tsina" rel="external nofollow"></a>
<a href="###" class="jiathis_button_tieba" rel="external nofollow"></a>
<a href="http://www.jiathis.com/share" class="jiathis jiathis_txt jtico jtico_jiathis" target="_blank" rel="external nofollow"></a>
</div>
<!-- JiaThis Button END -->
</div>
<div class="single-clear">
</div> </div>

  我们可以看到,每一个段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的内容。

  现在我们想获取发布人,发布日期,段子内容,以及点赞的个数。不过另外注意的是,段子有些是带图片的,如果我们想在控制台显示图片是不现实的,所以我们直接把带有图片的段子给它剔除掉,只保存仅含文本的段子。

  所以写出的正则表达式如下:

content = response.read().decode('utf-8')
pattern = re.compile('<div.*?author">.*?<a.*?<img.*?>(.*?)</a>.*?<div.*?'+
'content">(.*?)<!--(.*?)-->.*?</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)
items = re.findall(pattern,content)
for item in items:
  #item[0]是一个段子的发布者,item[1]是内容,item[2]是发布时间,item[3]是图片,item[4]是点赞数
print item[0],item[1],item[2],item[3],item[4]

  现在正则表达式在这里稍作说明

  1).*? 是一个固定的搭配,.和*代表可以匹配任意无限多个字符,加上?表示使用非贪婪模式进行匹配,也就是我们会尽可能短地做匹配,以后我们还会大量用到 .*? 的搭配。

  2)(.*?)代表一个分组,在这个正则表达式中我们匹配了五个分组,在后面的遍历item中,item[0]就代表第一个(.*?)所指代的内容,item[1]就代表第二个(.*?)所指代的内容,以此类推。

  3)re.S 标志代表在匹配时为点任意匹配模式,点 . 也可以代表换行符。

  这样我们就获取了发布人,发布时间,发布内容,附加图片以及点赞数。

  在这里注意一下,我们要获取的内容如果是带有图片,直接输出出来比较繁琐,所以这里我们只获取不带图片的段子就好了。所以,在这里我们就需要对带图片的段子进行过滤。我们可以发现,带有图片的段子会带有类似下面的代码,而不带图片的则没有,所以,我们的正则表达式的item[3]就是获取了下面的内容,如果不带图片,item[3]获取的内容便是空。

<a href="/article/112061287?list=hot&amp;s=4794990" target="_blank">
<img src="http://pic.qiushibaike.com/system/pictures/11206/112061287/medium/app112061287.jpg" alt="但他们依然乐观">
</a>

  所以我们只需要判断item[3]中是否含有img标签就可以了。我们再把上述代码中的for循环改为下面的样子:

for item in items:
haveImg = re.search("img",item[3])
if not haveImg:
print item[0],item[1],item[2],item[4]
上一篇:Java去除掉HTML里面所有标签的两种方法——开源jar包和自己写正则表达式


下一篇:一款非常好用的boostrap的验证插件、再也不用自己手写正则表达式和js了