python爬虫:使用 BeautifulSoup+正则表达式 提取数据
16lz
2021-04-14
以酷狗音乐的榜单音乐信息为例,我们要获取源代码中的部分数据:
查看源代码,最后的一部分数据就是我们要获取的数据:
我们可以看到,要获取的数据属于 script 标签中的内容,而且是部分内容,所以这里我们需要先获取指定的script标签中的内容,然后再从其中提取出我们需要的那部分数据,所以在这里我们使用 BeautifulSoup模块 和 正则表达式
首先导入模块
from bs4 import BeautifulSoupimport requestsimport re
获取网页源代码
url = "https://www.kugou.com/yy/rank/home/1-23784.html?from=rank"html = requests.get(url).text
使用BeautifulSoup模块获取指定标签及内容
soup = BeautifulSoup(html,features="lxml")# 获取最后一个 script 标签及其内容script = soup.find_all('script')[-1]
进行到这一步我们输出一下获取到的数据
此时获取到的是最后一个script标签中的所有内容,所以我们还需要进一步提取
使用正则表达式提取我们想要的数据
# 查找符合正则表达式的字符串 此时script变量为bs4格式 我们需要将其转化为字符串格式info = re.findall(r'\[.*\]',str(script))
再次输出我们获取到的数据
除了我们需要的数据,还有两条符合正则表达式的数据也被提取出来了,所以我们只需要使用列表下标的方式获取我们想要的数据就可以了
# 获取列表中下标为1的数据info = re.findall(r'\[.*\]',str(script))[1]
输出看一下
成功提取出我们想要的数据
完整代码
from bs4 import BeautifulSoupimport requestsimport reurl = "https://www.kugou.com/yy/rank/home/1-23784.html?from=rank"html = requests.get(url).text# print(html)soup = BeautifulSoup(html,features="lxml")# 获取最后一个script元素script = soup.find_all('script')[-1]# print(script)# print(type(script))# 查找符合正则表达式的字符串 此时script变量为bs4格式 我们需要将其转化为字符串格式info = re.findall(r'\[.*\]',str(script))[1]print(info)# 替换符合正则表达式的字符串# info = re.sub(r'\[|\]',"",info)# print(type(info))# 分割符合正则表达式的字符串# info = re.split(r'\},\{',info)# print(info)©著作权归作者所有:来自51CTO博客作者小甜甜?的原创作品,如需转载,请注明出处,否则将追究法律责任
更多相关文章
- Python内置数据库SQLite
- python实现数据可视化
- python从Excel中读取数据
- Oracle连接MongoDB数据库
- 如何使用 Nodejs 开发一个 每日备份 MongoDB 数据的工具
- Python操作SQL Server(三)数据表查询和fetchall()与fetchone()的
- SpringMVC @Value注解无法获取值 报IllegalArgumentException异
- 云关系型数据库(Relational Database Service,RDS)
- 云数据迁移(Cloud Data Migration,CDM)