Python 抓取小程序的文件小程序抓取网页内容

转载

mob64ca13ff9303 2024-08-08 12:57:59

文章标签 Python 抓取小程序的文件正则表达式 ico xml 文章分类 Python 后端开发

做项目的过程中，刚好用到这个变量，因为用微信小程序获取了网页源数据，但是是一堆HTML文档代码，若用循环来处理抽取里面我想要的信息，太过于复杂，所以着手用正则表达式来做。

方法如下：

一、从网页上获取源数据（HTML文档）

在js文件中，关键代码如下：

Page({
  data: {
    csdn: {}//用于存储获取的html文档
  },
 首先设置你想获取信息的网址
 var url = ''; 
 然后用 wx.request这个接口来访问该网址，并获取网页源代码
 wx.request({
      url: url,
      data: {
             },
      method: 'GET',//get是从服务器上获取数据，post是向服务器传送数据。浏览器用GET请求来获取一个html页面/图片/css/js等资源；用POST来提交一个<form>表单，并得到一个结果的网页          
      success: function (res) {
        that.setData({ csdn: res.data)});
      },
    })
    })

用这种方法得到的变量csdn值如下，由于数据量太大，只截取了部分代码

ic/common/toolbar/js/m_toolbar-1.1.1.js" id="m-toolbar-tpl-scriptId" prod="blog"></script>
    <svg xmlns="http://www.w3.org/2000/svg" style="width:0; height:0; visibility:hidden; position: absolute;display: none"><defs><polygon id="SVGID_5_" points="41.8,34 41.8,56 38.2,56 38.2,34 28.5,43.2 24,43.2 40,28.1 56,43.2 51.5,43.2 			"/> </defs><symbol id="icon-close" viewBox="0 0 1024 1024">
    <path d="M896 0L512 384 128 0 0 128l384 384L0 896l128 128 384-384 384 384 128-128-384-384 384-384z" p-id="9079" fill="#cccccc"/>
  </symbol>
  <symbol id="icon-top" viewBox="0 0 80 80">
    <circle class="st0" cx="40" cy="40" r="40"/> <g> <g> <rect x="24" y="24" class="st1" width="32" height="3.5"/> </g> <g>  <use xlink:href="#SVGID_5_" style="overflow:visible;fill-rule:evenodd;clip-rule:evenodd;fill:#FFFFFF;"/> <clipPath id="SVGID_1_"> <use xlink:href="#SVGID_5_" style="overflow:visible;"/> </clipPath> </g> </g> 
  </symbol>
</svg>    <nav class="d-flex">
    <div class="nav-mask">
        <div class="warp">
                    <a class="btn-nav" onclick="changeNav($(this))" data-href="/" data-category="home">博客推荐</a>
                                                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/watchers" data-category="watchers">动态</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/career" data-category="career">程序人生</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/python" data-category="python">Python</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/java" data-category="java">Java</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/ai" data-category="ai">百万人学AI</a>
                                                                                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/web" data-category="web">前端</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/arch" data-category="arch">架构</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/blockchain" data-category="blockchain">区块链</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/db" data-category="db">数据库</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/5g" data-category="5g">5G</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/game" data-category="game">游戏开发</a>
                                        <a class="btn-nav" onclick="changeNav($(this))" data-href="/nav/mobile" data-category="m

二、用正则表达式匹配想要的信息

1.什么是正则表达式

说白了就是一种字符串匹配的模式，可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。

2.正则表达式常用语法

（1）/表示正则表达式的开始与结束
（2）++号代表前面的字符必须至少出现一次（1次或多次）
例如：runoo+b，可以匹配 runoob、runooob、runoooooob 等。
（3）*表示字符可以不出现，也可以出现一次或者多次（0次、或1次、或多次）。
例如：runoo*b，可以匹配 runob、runoob、runoooooob 等，* 号代表
（4）? 问号代表前面的字符最多只可以出现一次（0次、或1次）
colou?r 可以匹配 color 或者 colour。
（5）\s匹配任何空白字符，包括空格、制表符、换页符等等。
（6）\S匹配任何非空白字符。
（7）[标记一个中括号表达式的开始。要匹配 [，请使用 \[。
（8）() 括号里面是组, 可以提取组内的内容
（9）[\s\S]*？
是完全通配的意思; “[ ]”是范围描述符。 \s是指空白,包括空格、换行、tab缩进等所有的空白,而\S刚好相反,这样一正一反下来,就表示所有的字符,完全的,一字不漏的。 例如：
<span id="ctext">([\s\S]*?)</span> 意思就是匹配所有在两个<span>中间有0个或多个任意字符的字符串. 并把内容部分生成个组

更多的语法可以查询菜鸟教程https://www.runoob.com/regexp/regexp-syntax.html

3.写出正则表达式

下面列举出我在项目中常用到的一种

let my_reg =/<td class='colorize'>([\s\S]*?)<\/td>/gmi;

这是抓取网页HTML信息种最常用的一种写法，直接用标签+全匹配，
则下面这句HTML标签内容中的“被抓内容”就会被匹配出来。

...
<td class='colorize'>被抓内容</td> 
...

后面的参数如下

g表示匹配尽可能多
i: 忽略大小写
参数m表明可以进行多行匹配，但是这个只有当使用^和$模式时才会起作用，在其他的模式中，加不加入m都可以进行多行匹配（其实说多行的字符串也是一个普通字符串）

4.抽取数据------.exec（）函数

在微信小程序中通过以下**.exec（）函数**进行匹配，将结果放入数组

data_we_want = my_reg.exec(page)

关于返回值数组data_we_want ：

此数组的第 0 个元素是与正则表达式相匹配的文本
第 1 个元素是与 RegExpObject 的第 1 个子表达式相匹配的文本（如果有的话）
第 2 个元素是与 RegExpObject 的第 2 个子表达式相匹配的文本（如果有的话），以此类推

除了数组元素和 length 属性之外，exec() 方法还返回两个属性：

index 属性声明的是匹配文本的第一个字符的位置。
input 属性则存放的是被检索的字符串 string。

5.全局循环抽取

用这种方面你会发现，虽然配置了全局匹配，也就是加了参数gmi，但是有可能只匹配了一次，也就是返回值数组中只有一个元素，后续就不匹配了，原因是还要再加循环才行。方法如下：

var data=[];  
  while ((tmp_reg =  my_reg.exec(page)) != null) {      
      data.push(util.regular(tmp_reg[1]));     
      }

这种方法会将page页面中的所有元素匹配一遍，但有时你会发现第一个元素老是匹配不到，这是因为.lastIndex 参数刚开始不为零。

这个参数代表以为指针位置，每次都从这个位置开始匹配，所以刚开始需要清零。

优化后，代码如下：

var data=[];  
  my_reg.lastIndex = 0;   
  while ((tmp_reg =  my_reg.exec(page)) != null) {      
      data.push(util.regular(tmp_reg[1]));     
      }

在while循环内部lastIndex 并没有清零，所以每循环一次拿出一个匹配数组，我们只要第1个元素tmp_reg[1]，这是我们匹配到的文本，然后下一次循环匹配会按照lastIndex的位置继续往后匹配。

三、几种常用正则表达式示例

var names = /^[\u4E00-\u9FA5A-Za-z]+$/; //姓名
var phonetel = /^(((13[0-9]{1})|(15[0-9]{1})|(18[0-9]{1})|(17[0-9]{1}))+\d{8})$/; //手机号
var emailnums = /^[a-zA-Z0-9_.-]+@[a-zA-Z0-9-]+(.[a-zA-Z0-9-]+)*.[a-zA-Z0-9]{2,6}$/; //邮箱
var idCard = /(\d{15}$)|(^\d{18}$)|(\d{17}(\d|X|x)$)/; //身份证

<li class="tool-item tool-active is-like "><a href="javascript:;"><svg class="icon" aria-hidden="true">
                        <use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#csdnc-thumbsup"></use>
                    </svg><span class="name">点赞</span>
                    <span class="count">1</span>
                    </a></li>
                    <li class="tool-item tool-active is-collection "><a href="javascript:;" data-report-click="{"mod":"popu_824"}"><svg class="icon" aria-hidden="true">
                        <use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#icon-csdnc-Collection-G"></use>
                    </svg><span class="name">收藏</span></a></li>
                    <li class="tool-item tool-active is-share"><a href="javascript:;" data-report-click="{"mod":"1582594662_002"}"><svg class="icon" aria-hidden="true">
                        <use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#icon-csdnc-fenxiang"></use>
                    </svg>分享</a></li>
                    <!--打赏开始-->
                                            <!--打赏结束-->
                                            <li class="tool-item tool-more">
                        <a>
                        <svg t="1575545411852" class="icon" viewBox="0 0 1024 1024" version="1.1" xmlns="http://www.w3.org/2000/svg" p-id="5717" xmlns:xlink="http://www.w3.org/1999/xlink" width="200" height="200"><defs><style type="text/css"></style></defs><path d="M179.176 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5718"></path><path d="M509.684 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5719"></path><path d="M846.175 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5720"></path></svg>
                        </a>
                        <ul class="more-box">
                            <li class="item"><a class="article-report">文章举报</a></li>
                        </ul>
                    </li>
                                        </ul>
            </div>
                        </div>
        <div class="person-messagebox">
            <div class="left-message"><a href="/weixin_42197396">
                <img src="" class="avatar_pic" username="weixin_42197396">
                                        <img src="" class="user-years">
                                </a></div>
            <div class="middle-message">
                                    <div class="title"><span class="tit"><a href="/weixin_42197396" data-report-click="{"mod":"popu_379"}" target="_blank">过千山</a></span>
                                        </div>
                <div class="text"><span>发布了25 篇原创文章</span> · <span>获赞 15</span> · <span>访问量 2599</span></div>
            </div>
                            <div class="right-message">
                                        <a href="" target="_blank" class="btn btn-sm btn-red-hollow bt-button personal-letter">私信
                    </a>
                                                        <a class="btn btn-sm  bt-button personal-watch" data-report-click="{"mod":"popu_379"}">关注</a>
                                </div>
                        </div>
                </div>

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。