python爬虫：使用 BeautifulSoup+正则表达式 提取数据

本文主要是介绍python爬虫：使用 BeautifulSoup+正则表达式 提取数据，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

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 re

url = "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)

这篇关于python爬虫：使用 BeautifulSoup+正则表达式 提取数据的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！