python爬虫
import xlwt #excel操作
import urllib.request,urllib.error #制定URL,获取网络数据
import sqlite3 #数据库操作
import bs4 #网页解析
from bs4 import BeautifulSoup
import re #正则表达式Urllib
主要进行request操作,获得响应体response
get请求
import urllib.request
response = urllib.request.urlopen("http://www.baidu.com/")
print(response.read().decode("utf-8")) #获取网页源码,并以utf-8解码post请求
模拟真实用户登录时使用
data = bytes(urllib.parse.urlencode({
"user": "root",
"password": "123456"
}), encoding="utf-8")
response = urllib.request.urlopen("http://httpbin.org/post", data=data)
print(response.read().decode("utf-8"))超时请求
try:
response = urllib.request.urlopen("http://httpbin.org/get", timeout=1)
print(response.read().decode("utf-8"))
# 获取详细内容
print(response.status)
# 获取状态码
print(response.getheader("server"))
# 获取响应头
except urllib.error.URLError as e:
print("time out...")封装response
url = "http://httpbin.org/post"
data = bytes(urllib.parse.urlencode({
"hello": "world"
}), encoding='utf-8')
headers = {
"User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.3 Mobile/15E148 Safari/604.1"
}
req = urllib.request.Request(url=url, data=data, headers=headers, method="POST")
response = urllib.request.urlopen(req)
print(response.read().decode("utf-8"))BeautifulSoup
对html文件进行搜索,遍历,查找
基本使用
from bs4 import BeautifulSoup
file = open("./baidu.html", "rb")
html = file.read().decode('utf-8')
# print(html)
bs = BeautifulSoup(html, "html.parser")
print(bs.title.string) #获取title的string
print(bs.a.string)
print(bs.a.attrs) #获取 a class 内容 {'class': ['mnav'], 'href': 'http://news.baidu.com', 'name': 'tj_trnews'}
print(type(bs)) #<class 'bs4.BeautifulSoup'>
print(type(bs.a.string)) #<class 'bs4.element.Comment'>
print(type(bs.title.string)) #<class 'bs4.element.NavigableString'>
print(type(bs.a)) #<class 'bs4.element.Tag'>文档搜索
find_all()
from bs4 import BeautifulSoup
file = open("./baidu.html", "rb")
html = file.read().decode('utf-8')
bs = BeautifulSoup(html, "html.parser")
# 字符串选择
t_list = bs.find_all("a")
#正则表达式
import re
t_list = bs.find_all(re.compile("a"))
#函数
def name_is(tag):
return tag.has_attr("name")
t_list = bs.find_all(name_is)select()
css选择器
from bs4 import BeautifulSoup
file = open("./baidu.html", "rb")
html = file.read().decode('utf-8')
bs = BeautifulSoup(html, "html.parser")
t_list = bs.select("#u1") # id选择器
t_list = bs.select(".mnav") # 类选择器
t_list = bs.select("title") # 标签选择器正则表达式
基础
| \ | 将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如,“\n”匹配\n。“\n”匹配换行符。序列“\”匹配“\”而“(”则匹配“(”。 | |||
|---|---|---|---|---|
| ^ | 匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性,^也匹配“\n”或“\r”之后的位置。 | |||
| $ | 匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性,$也匹配“\n”或“\r”之前的位置。 | |||
| * | 匹配前面的子表达式零次或多次(大于等于0次)。例如,zo能匹配“z”,“zo”以及“zoo”。等价于{0,}。 | |||
| + | 匹配前面的子表达式一次或多次(大于等于1次)。例如,“zo+”能匹配“zo”以及“zoo”,但不能匹配“z”。+等价于{1,}。 | |||
| ? | 匹配前面的子表达式零次或一次。例如,“do(es)?”可以匹配“does”或“does”中的“do”。?等价于{0,1}。 | |||
| {n} | n是一个非负整数。匹配确定的n次。例如,“o{2}”不能匹配“Bob”中的“o”,但是能匹配“food”中的两个o。 | |||
| {n,} | n是一个非负整数。至少匹配n次。例如,“o{2,}”不能匹配“Bob”中的“o”,但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。 | |||
| {n,m} | m和n均为非负整数,其中n<=m。最少匹配n次且最多匹配m次。例如,“o{1,3}”将匹配“fooooood”中的前三个o。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。 | |||
| ? | 当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串“oooo”,“o+?”将匹配单个“o”,而“o+”将匹配所有“o”。 | |||
| .点 | 匹配除“\n”之外的任何单个字符。要匹配包括“\n”在内的任何字符,请使用像“[\s\S]”的模式。 | |||
| (pattern) | 匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。要匹配圆括号字符,请使用“”或“”或“”。 | |||
| (?:pattern) | 匹配pattern但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用或字符“(\ | )”来组合一个模式的各个部分是很有用。例如“industr(?:y\ | ies)”就是一个比“industry\ | industries”更简略的表达式。 |
| (?=pattern) | 正向肯定预查,在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如,“Windows(?=95\ | 98\ | NT\ | 2000)”能匹配“Windows2000”中的“Windows”,但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。 |
| (?!pattern) | 正向否定预查,在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如“Windows(?!95\ | 98\ | NT\ | 2000)”能匹配“Windows3.1”中的“Windows”,但不能匹配“Windows2000”中的“Windows”。 |
| (?<=pattern) | 反向肯定预查,与正向肯定预查类似,只是方向相反。例如,“(?<=95\ | 98\ | NT\ | 2000)Windows”能匹配“2000Windows”中的“Windows”,但不能匹配“3.1Windows”中的“Windows”。 |
| (?<!pattern) | 反向否定预查,与正向否定预查类似,只是方向相反。例如“(?<!95\ | 98\ | NT\ | 2000)Windows”能匹配“3.1Windows”中的“Windows”,但不能匹配“2000Windows”中的“Windows”。 |
| x\ | y | 匹配x或y。例如,“z\ | food”能匹配“z”或“food”。“(z\ | f)ood”则匹配“zood”或“food”。 |
| [xyz] | 字符集合。匹配所包含的任意一个字符。例如,“[abc]”可以匹配“plain”中的“a”。 | |||
| 1 | 负值字符集合。匹配未包含的任意字符。例如,“2”可以匹配“plain”中的“plin”。 | |||
| [a-z] | 字符范围。匹配指定范围内的任意字符。例如,“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。 注意:只有连字符在字符组内部时,并且出两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身. | |||
| 3 | 负值字符范围。匹配任何不在指定范围内的任意字符。例如,“3”可以匹配任何不在“a”到“z”范围内的任意字符。 | |||
| \b | 匹配一个单词边界,也就是指单词和空格间的位置。例如,“er\b”可以匹配“never”中的“er”,但不能匹配“verb”中的“er”。 | |||
| \B | 匹配非单词边界。“er\B”能匹配“verb”中的“er”,但不能匹配“never”中的“er”。 | |||
| \cx | 匹配由x指明的控制字符。例如,\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则,将c视为一个原义的“c”字符。 | |||
| \d | 匹配一个数字字符。等价于[0-9]。 | |||
| \D | 匹配一个非数字字符。等价于4。 | |||
| \f | 匹配一个换页符。等价于\x0c和\cL。 | |||
| \n | 匹配一个换行符。等价于\x0a和\cJ。 | |||
| \r | 匹配一个回车符。等价于\x0d和\cM。 | |||
| \s | 匹配任何空白字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。 | |||
| \S | 匹配任何非空白字符。等价于5。 | |||
| \t | 匹配一个制表符。等价于\x09和\cI。 | |||
| \v | 匹配一个垂直制表符。等价于\x0b和\cK。 | |||
| \w | 匹配包括下划线的任何单词字符。等价于“[A-Za-z0-9_]”。 | |||
| \W | 匹配任何非单词字符。等价于“6”。 | |||
| \xn | 匹配n,其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。 | |||
| \num | 匹配num,其中num是一个正整数。对所获取的匹配的引用。例如,“(.)\1”匹配两个连续的相同字符。 | |||
| \n | 标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式,则n为向后引用。否则,如果n为八进制数字(0-7),则n为一个八进制转义值。 | |||
| \nm | 标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式,则nm为向后引用。如果\nm之前至少有n个获取,则n为一个后跟文字m的向后引用。如果前面的条件都不满足,若n和m均为八进制数字(0-7),则\nm将匹配八进制转义值nm。 | |||
| \nml | 如果n为八进制数字(0-7),且m和l均为八进制数字(0-7),则匹配八进制转义值nml。 | |||
| \un | 匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。例如,\u00A9匹配版权符号(©)。 | |||
| \< \> | 匹配词(word)的开始(\<)和结束(\>)。例如正则表达式\<the\>能够匹配字符串"for the wise"中的"the",但是不能匹配字符串"otherwise"中的"the"。注意:这个元字符不是所有的软件都支持的。 | |||
| 将 和和 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 \1 到\9 的符号来引用。 | ||||
| \ | 将两个匹配条件进行逻辑“或”(Or)运算。例如正则表达式(him\ | her) 匹配"it belongs to him"和"it belongs to her",但是不能匹配"it belongs to them."。注意:这个元字符不是所有的软件都支持的。 | ||
| + | 匹配1或多个正好在它之前的那个字符。例如正则表达式9+匹配9、99、999等。注意:这个元字符不是所有的软件都支持的。 | |||
| ? | 匹配0或1个正好在它之前的那个字符。注意:这个元字符不是所有的软件都支持的。 | |||
| {i} {i,j} | 匹配指定数目的字符,这些字符是在它之前的表达式定义的。例如正则表达式A[0-9]{3} 能够匹配字符"A"后面跟着正好3个数字字符的串,例如A123、A348等,但是不匹配A1234。而正则表达式[0-9]{4,6} 匹配连续的任意4个、5个或者6个数字 |
re模块
compile(pattern):创建模式对象
search(pattern,string):在字符串中寻找模式
match(pattern,string):在字符串开始处匹配模式
split(pattern,string):根据模式分割字符串,返回列表
findall(pattern,string):列表形式返回匹配项
sub(pat,repl,string) :用repl替换 pat匹配项
import re
# search(pattern,string)在字符串中寻找模式
a = re.search("AA", "ASDAAASD")
print(a)
# <re.Match object; span=(3, 5), match='AA'>
# findall(pattern,string):列表形式返回匹配项
b = re.findall("[a-z]", "as213bn23o123nd12d")
print(b)
# ['a', 's', 'b', 'n', 'o', 'n', 'd', 'd']
# sub(pat,repl,string) :用repl替换 pat匹配项
c = re.sub("a", "A", "a12abi1ans")
print(c)
# A12Abi1AnsXlwt(Excel)
Python编写excel表
import xlwt
workbook = xlwt.Workbook(encoding='utf-8') # 创建workbook对象
worksheet = workbook.add_sheet('sheet1') # 创建工作表
worksheet.write(行, 列, 内容) # 写入数据
workbook.save("student.xls") # 保存数据表Sqllite
建表,插入,查询
import sqlite3
# 创建或打开数据库
conn = sqlite3.connect("text.db")
print("数据库创建/打开成功!!!")
# # 创建表
# c = conn.cursor() # 获得游标
#
# sql = '''
# create table company
# (id int primary key not null,
# name text not null,
# age int not null,
# address char(50),
# salary real );
# '''
#
# c.execute(sql) # 执行sql语句
# conn.commit() # 提交数据库操作
# conn.close() # 关闭数据库连接
#
# print("数据表创建成功!!!")
# # 插入
# c = conn.cursor() # 获得游标
#
# sql = '''
# insert into company (id,name,age,address,salary)
# valueS (1,'张三',32,'山东',8000);
# '''
#
# c.execute(sql) # 执行sql语句
# conn.commit() # 提交数据库操作
# conn.close() # 关闭数据库连接
#
# print("数据插入成功!!!")
# 查询
c = conn.cursor() # 获得游标
sql = '''
select * from company;
'''
cursor = c.execute(sql) # 执行sql语句
for i in cursor:
print(i)
conn.close() # 关闭数据库连接
print("数据查询成功!!!")
ヾ(≧∇≦*)ゝ