Python用正则表达式实现爬取古诗文网站信息
分析古诗文网站
下图1展示了古诗文网站—》诗文 栏目的首页数据。该栏目的地址是：https://so.gushiwen.cn/shiwens/
第二页的地址是：https://so.gushiwen.cn/shiwens/default.aspx?page=2&tstr=&astr=&cstr=&xstr= 。依次类推第n页的地址就是page=n。其他不变。
1. 用正则表达式获取总页数
匹配的正则表达式是r'<div class="pagesright">.*?<span .*?>(.*?)</span>'
- 首先，r修饰的字符串是原生字符串，首先匹配到<div class="pagesright"> 标签，然后再通过.*?匹配到里面的里面的<a>标签<span>标签等。这里. 可以匹配到任意的一个字符（换行符除外），* 号可以匹配0或者任意多个字符。? 号表示只能匹配到1个或者0个。这里加上?号是为了使用非贪婪模式。
- <span .*?> 通过匹配到存放总页数的<span>标签。在标签里指定.*?
- (.*?) 加上() 可以指定不同的分组，这里我们只需要获取页数所以就单独添加一个分组。
所以，最终的代码是：
def get_total_pages():
resp = requests.get(first_url)
# 获取总页数
ret = re.findall(r'<div class="pagesright">.*?<span .*?>(.*?)</span>', resp.text, re.DOTALL)
result = re.search('\d+', ret[0])
for page_num in range(int(result.group())):
url = 'https://so.gushiwen.cn/shiwens/default.aspx?page=' + str(page_num)
parse_page(url)
在findall方法中传入re.DOTALL参数是为了是. 号可以匹配到换行符\n。
前面ret的结果是/ 5页。再获取5这个数字的话，还需要做一次匹配查找，这就是通过re.search('\d+', ret[0]) 来进行查找。
2. 提取诗的标题
如上图2展示了诗的标题的HTML源码，从中可以看出诗的标题被存在<b>标签 匹配诗的标题的正则表达式是<div class="cont">.*?<b>(.*?)</b>
首先还是匹配到<div class="cont"> 标签，接着就是匹配<b>(.*?)</b> 这里还是采用非贪婪模式来进行匹配。
3. 提取作者和朝代
如上图3展示了诗的作者和朝代的HTML源码，从中可以看出作者和朝代都是在<p class="source"></p> 标签下的两个a标签中。
3.1 提取作者
提取作者的正则表达式是<p class="source">.*?<a .*?>(.*?)</a> 首先还是匹配到<p class="source"> 标签。接着就是匹配第一个<a> 标签中的内容。
3.2 提取朝代
提取朝代的正则表达式是<p class="source">.*?<a .*?><a .*?>(.*?)</a> 与提取作者不同的是多了一个<a .*?> ，这是因为朝代在第二个<a>标签中。
4. 提取诗的内容
如上图4展示了诗的内容的HTML源码，从中可以看出诗句都在<div class="contson">标签中，所以只需要匹配到这个标签里的内容即可。其正则表达式是<div class="contson" .*?>(.*?)</div>。
但是这样匹配出来的数据是包含<br> 标签的。所以，我们需要通过sub 方法将这个标签替换掉。re.sub(r'<.*?>+', "", content)。
整理代码
至此，我们就将所有想要的数据都提取到了。接下来，我们还需要对数据进行处理。我们期望的最终数据格式是：
poems=[
{
"title": '渔家傲·花底忽闻敲两桨',
"author":'张三',
'dynasty':'唐朝',
'content':'xxxxxx'
}
{
"title": '鹅鹅鹅',
"author":'李四',
'dynasty':'唐朝',
'content':'xxxxxx'
}
]
前面，我们分别得到了所有标题的列表titles；所有作者的列表authors；所有朝代的列表dynastys；所有诗句的列表contents。
那么，我们如何将这些列表组合成上面的那种形式呢？
这里，就需要用到 zip 函数了。该函数可以将多个列表组合成一个新的列表，其中列表的元素是元组。比如：
a=['name','age'] b=['张三',18] c=zip(a,b)
调用zip 方法之后得到一个zip对象，该对象可以转换成list 对象。最终得到的结果如下图5
完整源代码
# -*- utf-8 -*-
"""
@url: https://blog.csdn.net/u014534808
@Author: 码农飞哥
@File: gushiwen_rep.py
@Time: 2021/12/7 07:40
@Desc: 用正则表达式爬取古诗文网站
古诗文网站的地址：
https://www.gushiwen.cn/
"""
import re
import requests
headers = {
'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.55 Safari/537.36'
}
first_url = 'https://so.gushiwen.cn/shiwens/default.aspx'
def get_total_pages():
resp = requests.get(first_url)
# 获取总页数
ret = re.findall(r'<div class="pagesright">.*?<span .*?>(.*?)</span>', resp.text, re.DOTALL)
result = re.search('\d+', ret[0])
for page_num in range(int(result.group())):
url = 'https://so.gushiwen.cn/shiwens/default.aspx?page=' + str(page_num)
parse_page(url)
# 解析页面
def parse_page(url):
resp = requests.get(url)
text = resp.text
# 提取标题 (.*) 进行分组，只提取<b>标签中的内容,默认情况下 .不能匹配\n。加上re.DOTALL 表示.号可以匹配所有，贪婪模式
# titles = re.findall(r'<div class="cont">.*<b>(.*)</b>', text,re.DOTALL)
# 非贪婪模式
titles = re.findall(r'<div class="cont">.*?<b>(.*?)</b>', text, re.DOTALL)
# 提取作者
authors = re.findall(r'<p class="source">.*?<a .*?>(.*?)</a>', text, re.DOTALL)
# 提取朝代
dynastys = re.findall(r'<p class="source">.*?<a .*?><a .*?>(.*?)</a>', text, re.DOTALL)
# 提取诗句
content_tags = re.findall(r'<div class="contson" .*?>(.*?)</div>', text, re.DOTALL)
contents = []
for content in content_tags:
content = re.sub(r'<.*?>+', "", content)
contents.append(content)
poems = []
for value in zip(titles, authors, dynastys, contents):
# 解包
title, author, dynasty, content = value
poems.append(
{
"title": title,
"author": author,
'dynasty': dynasty,
'content': content
}
)
print(poems)
"""
poems=[
{
"title": '渔家傲·花底忽闻敲两桨',
"author":'张三',
'dynasty':'唐朝',
'content':'xxxxxx'
}
{
"title": '渔家傲·花底忽闻敲两桨',
"author":'张三',
'dynasty':'唐朝',
'content':'xxxxxx'
}
]
"""
"""
zip 函数
a=['name','age']
b=['张三',18]
c=zip(a,b)
c=[
('name','张三'),
('age',18)
]
"""
if __name__ == '__main__':
get_total_pages()
最终的运行结果是：
总结
本文以古诗文网为例演示了如何通过正则表达式来爬取网站数据。
