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)
# A12Abi1Ans

Xlwt(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!!!")

  1. xyz
  2. abc
  3. a-z
  4. 0-9
  5. \f\n\r\t\v
  6. A-Za-z0-9_