正则表达式实战：最新豆瓣top250爬虫超详细教程

2022 年 8 月 9 日
筆記
爬虫

检查网页源代码

首先让我们来检查豆瓣top250的源代码，一切网页爬虫都需要从这里开始。F12打开开发者模式，在元素（element）页面通过Ctrl+F直接搜索你想要爬取的内容，然后就可以开始编写正则表达式了。

如下是我们将要爬取内容的html局部区域：

<div class="item">
                <div class="pic">
                    <em class="">1</em>
                    <a href="//movie.douban.com/subject/1292052/">
                        <img width="100" alt="肖申克的救赎" src="//img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp" class="">
                    </a>
                </div>
                <div class="info">
                    <div class="hd">
                        <a href="//movie.douban.com/subject/1292052/" class="">
                            <span class="title">肖申克的救赎</span>
                                    <span class="title">&nbsp;/&nbsp;The Shawshank Redemption</span>
                                <span class="other">&nbsp;/&nbsp;月黑高飞(港)  /  刺激1995(台)</span>
                        </a>
                            <span class="playable">[可播放]</span>
                    </div>
                    <div class="bd">
                        <p class="">
                            导演: 弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
                            1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情
                        </p>                        
                        <div class="star">
                                <span class="rating5-t"></span>
                                <span class="rating_num" property="v:average">9.7</span>
                                <span property="v:best" content="10.0"></span>
                                <span>2668670人评价</span>
                        </div>
                            <p class="quote">
                                <span class="inq">希望让人自由。</span>
                            </p>
                    </div>
                </div>
            </div>

当然，在Chrome中页面是这样的：

匹配正则表达式

<em class="">1</em>这显然是‘索引’可以用于匹配‘序号’

相应正则表达式为：

<em class="">(\d+)</em>

其中\d+的含义是匹配1个及以上的数字

正则表达式详解请看：正则表达式完整入门教程，含在线练习

正则表达式速查表请看：正则表达式速查表

<a href="//movie.douban.com/subject/1292052/">这个表示的是标题对应的超链接，也就是对应电影的详情页，如果我们要做进一步的内容爬取，这个链接也是值得保存的。

这里介绍一下re.S参数，它可以让我们跨行匹配正则表达式。而且我们知道，正则表达式越详细，匹配的精确度就越高，于是我们可以将上下两行一起匹配。

<em class="">1</em>
	<a href="//movie.douban.com/subject/1292052/">

相应的正则表达式为：

'<em class="">(\d+)</em>.*?<a href="(.*?)">.*?'

然后我来解释下为什么我们要加括号（），这是因为，有的时候我们想要的不是每一个存在变化的变量，它们仅仅需要作为通配符来使用，于是我们将需要返回的匹配值加上括号作为返回值，未加括号的正则表达式匹配的值不会被返回。上面的.*?就是不会被返回的正则表达式。

接下来看看我们的完整正则表达式吧：

pattern = re.compile(
    '<em class="">(\d+)</em>.*?<a href="(.*?)">.*?' +
    '<img width="100" alt=".*?" src="(.*?)" class=""' +
    '>.*?<span class="title">(.*?)</span>.*?<span ' +
    'class="other">&nbsp;/&nbsp;(.*?)</span>.*?<div ' +
    'class="bd">.*?<p class="">.*?导演: (.*?)&nbsp.*?<br>' +
    '.*?(\d{4})&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;(.*?)\n' +
    '.*?</p>.*?<span class="rating_num" property="v:' +
    'average">(.*?)</span>',
    re.S)

正则表达式中.表示任意字符；*表示前置字符任意次数；?表示前置字符可有可无。

这个＋号，即是常用的连接字符串的用法。我们可以发现，上述表达式一共有10个括号（），也就是说最终会在一个item中返回10个值，以列表（数组）形式。

正则中没有括号时，返回的是 list，list的元素是 str ；
正则中有括号时，返回的是 list，list的元素是 tuple ，tuple 中的各项对应的是括号中的匹配结果；

下面我们来认识一下re的几个库函数：

re.compile 是预编译正则表达式函数，是用来优化正则的，它将正则表达式转化为对象
re.compile 函数用于编译正则表达式，生成一个 Pattern 对象，pattern 是一个字符串形式的正则表达式
pattern 是一个匹配对象（ Regular Expression），它单独使用就没有任何意义，需要和findall(), search(), match()搭配使用。
使用re.S参数以后，正则表达式会将这个字符串作为一个整体，将“\n”当做一个普通的字符加入到这个字符串中，在整体中进行匹配，而不是在一行内进行匹配。
re.findall返回string中所有与pattern相匹配的全部字串，返回形式为数组

现在我们通过re.compile获得了正则表达式对象，我们就可以直接使用这个pattern对html进行内容匹配了。

items = re.findall(pattern, html)

然后保存为python字典：

for item in items:
    yield {
        'index': item[0],
        'page_src': item[1],
        'img_src': item[2],
        'title': item[3],
        'other_title': item[4],
        'director': item[5],
        'release_date': item[6],
        'country': item[7],
        'type': item[8],
        'rate': item[9],
    }

完整代码

导入包

# json包
import json
#正则表达式包
import re
import requests
from requests import RequestException

定义获取html函数

#函数：获取一页html
def get_one_page(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
        }
        # Response对象返回包含了整个服务器的资源
        # Response对象的属性，有以下几种
        # r.status_code： HTTP请求的返回状态，200表示连接成功，404表示失败
        # 2.r.text： HTTP响应内容的字符串形式，即，url对应的页面内容
        # 3.r.encoding：从HTTP header中猜测的响应内容编码方式
        # 4.r.apparent_encoding：从内容中分析出的响应内容编码方式（备选编码方式）
        # 5.r.content： HTTP响应内容的二进制形式
        response = requests.get(url, headers=headers, timeout=1000)
        if response.status_code == 200:
            return response.text
    except requests.exceptions.RequestException as e:
        print(e)

定义解析html函数【正则】

#函数：解析一页html
def parse_one_page(html):
    pattern = re.compile(
        '<em class="">(\d+)</em>.*?<a href="(.*?)">.*?' +
        '<img width="100" alt=".*?" src="(.*?)" class=""' +
        '>.*?<span class="title">(.*?)</span>.*?<span ' +
        'class="other">&nbsp;/&nbsp;(.*?)</span>.*?<div ' +
        'class="bd">.*?<p class="">.*?导演: (.*?)&nbsp.*?<br>' +
        '.*?(\d{4})&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;(.*?)\n' +
        '.*?</p>.*?<span class="rating_num" property="v:' +
        'average">(.*?)</span>',
        re.S)
    #使用re.S参数以后，正则表达式会将这个字符串作为一个整体，将“\n”当做一个普通的字符加入到这个字符串中，在整体中进行匹配，而不是在一行内进行匹配。
    #re.findall返回string中所有与pattern相匹配的全部字串，返回形式为数组
    #上述pattern正好有10个括号
    items = re.findall(pattern, html)
    for item in items:
        yield {
            'index': item[0],
            'page_src': item[1],
            'img_src': item[2],
            'title': item[3],
            'other_title': item[4],
            'director': item[5],
            'release_date': item[6],
            'country': item[7],
            'type': item[8],
            'rate': item[9],
        }

定义保存内容函数

#函数：将内容写入文件
def write_to_file(content):
    with open('douban_movie_rankings.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

定义主函数

#主控函数
def main():
    #用于翻页
    for offset in range(10):
        #获取网址
        url = f'//movie.douban.com/top250?start={offset * 25}&filter='
        #获取html文件
        html = get_one_page(url)
        for item in parse_one_page(html):
            print(item)
            write_to_file(item)

定义魔法函数

if __name__ == '__main__':
    main()

原创作者：孤飞-博客园
原文链接：//www.cnblogs.com/ranxi169/p/16565717.html

Tags: 爬虫