《大數(shù)據(jù)導(dǎo)論》課件-3.3.2正則表達(dá)式解析數(shù)據(jù)_第1頁
《大數(shù)據(jù)導(dǎo)論》課件-3.3.2正則表達(dá)式解析數(shù)據(jù)_第2頁
《大數(shù)據(jù)導(dǎo)論》課件-3.3.2正則表達(dá)式解析數(shù)據(jù)_第3頁
《大數(shù)據(jù)導(dǎo)論》課件-3.3.2正則表達(dá)式解析數(shù)據(jù)_第4頁
《大數(shù)據(jù)導(dǎo)論》課件-3.3.2正則表達(dá)式解析數(shù)據(jù)_第5頁
已閱讀5頁，還剩5頁未讀， 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

大數(shù)據(jù)導(dǎo)論數(shù)

據(jù)

采

集基于正則表達(dá)式的數(shù)據(jù)爬取目錄01任務(wù)描述02

HTML源代碼分析03抓取代碼實(shí)現(xiàn)

任務(wù)描述在爬蟲的開發(fā)中，需要把有用的信息從一大段文本中提取出來。正則表達(dá)式是提取信息的方法之一。本任務(wù)是使用Python正則表達(dá)式匹配豆瓣電影評分TOP250頁面電影名字、電影介紹鏈接、電影評分等信息。思路如下：（1）引入使用正則表達(dá)式所需要的包。（2）模擬瀏覽器請求，請求豆瓣電影TOP250的數(shù)據(jù)。（3）使用compile方法，匹配出目標(biāo)內(nèi)容。（關(guān)鍵編寫正確的正則表達(dá)式）HTML源代碼分析<li><divclass="item">***************<divclass="info"><divclass="hd">

<ahref="https:///subject/1292052/"class="">

<spanclass="title">肖申克的救贖</span>

******************</a>

*******************<divclass="star">

*************************<spanclass="rating_num"property="v:average">9.7</span>

******************</div>********************</div></div></div></li>'<li>.*?<divclass="hd">\n\s*?<ahref="(.*?)"class="">.*?class="title">(.*?)</span>.*?property="v:average">(.*?)</span>.*?</li>'匹配正則表達(dá)式*顏色對應(yīng)爬取功能劃分由于待解析的內(nèi)容屬于文本，因此可以使用正則表達(dá)式進(jìn)行解析解析html文本內(nèi)容從服務(wù)器獲取html文檔返回文本形式的內(nèi)容獲取html文檔依次訪問所有頁面

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論