一、了解正则表达式的基本内容：
什么是正则表达式
正则表达式（Regular Expression，简称 regex）是一种用于匹配字符串的模式。它通过特定的语法规则，可以高效地搜索、替换和提取文本中的特定内容。正则表达式广泛应用于文本处理、数据验证、日志分析等领域。
正则表达式在爬虫中的应用
在爬虫中，正则表达式主要用于从网页源码中提取所需信息。以下是其主要应用场景：
数据提取：
从HTML中提取特定标签的内容，如链接、标题、图片地址等。
示例：提取所有链接：
<a\s+(?:[^>]*?\s+)?href="([^"]*)"
数据清洗：
去除多余的空格、换行符或HTML标签。
示例：去除HTML标签：
<[^>]+>
数据验证：
验证提取的数据是否符合预期格式，如邮箱、日期等。
示例：验证邮箱：
^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
URL匹配：
匹配特定模式的URL，用于过滤或分类。
示例：匹配图片URL：
https?://[^\s]+?\.(jpg|png|gif)
正则表达式的核心知识点
基本语法：
字符匹配：普通字符匹配自身，如
a匹配字符 "a"。元字符：具有特殊含义的字符，如
.匹配任意字符，*匹配前一个字符的零次或多次。
字符类：
[abc]匹配 "a"、"b" 或 "c"。[^abc]匹配除 "a"、"b"、"c" 之外的字符。\d匹配数字，\w匹配字母、数字或下划线，\s匹配空白字符。
量词：
*：零次或多次。+：一次或多次。?：零次或一次。{n}：恰好 n 次。{n,}：至少 n 次。{n,m}：n 到 m 次。
分组和捕获：
(abc)匹配 "abc" 并捕获。(?:abc)匹配 "abc" 但不捕获。
锚点：
^匹配字符串开头。$匹配字符串结尾。\b匹配单词边界。
贪婪与懒惰匹配：
默认是贪婪匹配，尽可能匹配更多字符。
在量词后加
?可进行懒惰匹配，尽可能匹配更少字符。示例：
a.*?b匹配 "a" 和 "b" 之间的最短内容。
总结
正则表达式是爬虫中强大的工具，能够高效提取和清洗数据。掌握其基本语法和常用技巧，能显著提升爬虫的开发效率和数据处理能力。
同时代码中还涉及到了re库的使用：
re 是 Python 标准库中用于处理正则表达式的模块，提供了丰富的函数和方法来操作字符串。通过 re 库，你可以轻松实现字符串的匹配、查找、替换和分割等操作。
re 库是 Python 中处理正则表达式的强大工具，提供了多种函数和方法来操作字符串。掌握 re 库的使用，可以显著提升文本处理的效率和灵活性，尤其在爬虫开发中，re 库是不可或缺的工具。
re 库的核心功能
编译正则表达式：
re.compile(pattern, flags=0)：将正则表达式编译成一个正则对象，便于重复使用。示例：
pattern = re.compile(r'\d+')
匹配字符串：
re.match(pattern, string, flags=0)：从字符串开头匹配正则表达式，返回匹配对象或None。示例：
match = re.match(r'\d+', '123abc') if match: print(match.group()) # 输出: 123
搜索字符串：
re.search(pattern, string, flags=0)：在字符串中搜索第一个匹配项，返回匹配对象或None。示例：
search = re.search(r'\d+', 'abc123def') if search: print(search.group()) # 输出: 123
查找所有匹配项：
re.findall(pattern, string, flags=0)：返回所有匹配项的列表。示例：
findall = re.findall(r'\d+', 'a1b2c3') print(findall) # 输出: ['1', '2', '3']
查找所有匹配项（返回迭代器）：
re.finditer(pattern, string, flags=0)：返回所有匹配项的迭代器，每个元素是一个匹配对象。示例：
finditer = re.finditer(r'\d+', 'a1b2c3') for match in finditer: print(match.group()) # 输出: 1, 2, 3
替换字符串：
re.sub(pattern, repl, string, count=0, flags=0)：替换字符串中所有匹配项，返回替换后的字符串。示例：
sub = re.sub(r'\d+', 'X', 'a1b2c3') print(sub) # 输出: aXbXcX
分割字符串：
re.split(pattern, string, maxsplit=0, flags=0)：根据正则表达式分割字符串，返回列表。示例：
split = re.split(r'\d+', 'a1b2c3') print(split) # 输出: ['a', 'b', 'c', '']
re 库的常用方法详解
匹配对象的方法：
group()：返回匹配的字符串。start()：返回匹配的起始位置。end()：返回匹配的结束位置。span()：返回匹配的 (起始, 结束) 位置元组。
编译标志：
re.IGNORECASE或re.I：忽略大小写。re.MULTILINE或re.M：多行模式，^和$匹配每行的开头和结尾。re.DOTALL或re.S：.匹配包括换行符在内的所有字符。re.VERBOSE或re.X：允许在正则表达式中添加注释和空白符。
二、具体的爬虫代码解释（以古诗文网为例）
古诗文网-古诗文经典传承
url=唐代诗文_古诗文网
https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3 （以唐代的诗文题目为例，可扩充）
右键检查 ：
具体的代码解释 ：
1. requests 库的使用
功能：
requests是一个用于发送 HTTP 请求的 Python 库，常用于爬虫中获取网页内容。知识点：
requests.get(url, headers=headers)：发送 GET 请求，获取网页内容。resp.encoding = 'utf-8'：设置响应的编码格式，确保正确解析中文内容。resp.text：获取响应的文本内容（HTML 源码）。headers：请求头，用于模拟浏览器访问，避免被网站反爬虫机制拦截。User-Agent：标识客户端类型（如浏览器），示例中使用的是 Chrome 浏览器的标识。
2. 正则表达式（re 库）
功能：用于从 HTML 文本中提取目标数据（如古诗标题）。
知识点：
re.findall(pattern, string, flags)：从字符串中查找所有匹配正则表达式的部分，返回一个列表。正则表达式模式：
r'<div\sclass="cont">.*?<b>(.*?)</b>'：<div\sclass="cont">：匹配<div class="cont">标签。.*?：非贪婪匹配任意字符（尽可能少匹配）。<b>(.*?)</b>：匹配<b>标签中的内容，(.*?)是捕获组，提取标题内容。
re.DOTALL标志：使.匹配包括换行符在内的所有字符。
3. Python 函数
功能：将代码模块化，提高可读性和复用性。
知识点：
def parse_page(url)：定义一个函数，用于解析网页内容。def spider()：定义一个函数，作为爬虫的入口。if __name__ == '__main__':：确保脚本在直接运行时执行spider()函数，而在被导入时不执行。
4. URL 和请求头
知识点：
URL：
https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3：目标网页地址。cstr=%e5%94%90%e4%bb%a3：URL 编码，表示查询参数（这里是“唐代”）。
请求头：
headers：用于模拟浏览器访问，避免被反爬虫机制拦截。User-Agent：标识客户端类型，示例中使用的是 Chrome 浏览器的标识。
5. 编码问题
知识点：
resp.encoding = 'utf-8'：设置响应的编码格式为 UTF-8，确保正确解析中文内容。如果未设置编码，可能会导致乱码问题。
6. 代码执行流程
知识点：
调用
spider()函数。spider()函数调用parse_page(url)，传入目标 URL。parse_page(url)发送 HTTP 请求，获取网页内容。使用正则表达式从 HTML 中提取古诗标题。
打印提取的标题列表。
具体代码展示：
import requests
import re
url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3"
header = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/134.0.0.0 Safari/537.36 Edg/134.0.0.0"
}
def parse_page(url):
resp = requests.get(url, headers=header)
resp.encoding = 'utf-8' # 确保编码正确
html = resp.text
# 调整正则表达式以匹配实际的HTML结构
titles = re.findall(r'<div\sclass="cont">.*?<b>(.*?)</b>', html, re.DOTALL)
print(titles)
def spider():
url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3" # 古诗文网
parse_page(url)
if __name__ == '__main__':
spider()运行结果：
三、改进建议：根据以上代码格式不光可以爬取古诗文题目也可以爬取内容作者等
所以后面的代码有改动：
import requests
import re
# 目标URL
url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3"
# 请求头，模拟浏览器访问
header = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/134.0.0.0 Safari/537.36 Edg/134.0.0.0"
}
def parse_page(url):
# 发送HTTP请求，获取网页内容
resp = requests.get(url, headers=header)
resp.encoding = 'utf-8' # 设置编码
html = resp.text
# 正则表达式提取古诗的标题、作者和内容
poem_pattern = re.compile(
r'<div class="cont">.*?<b>(.*?)</b>.*?' # 标题
r'<p class="source">.*?<a.*?>(.*?)</a>.*?<a.*?>(.*?)</a>.*?' # 作者
r'<div class="contson".*?>(.*?)</div>', # 内容
re.DOTALL
)
# 查找所有匹配的古诗
poems = poem_pattern.findall(html)
# 遍历提取结果
for poem in poems:
title = poem[0].strip() # 标题
author = f"{poem[1].strip()} {poem[2].strip()}" # 作者
content = re.sub(r'<.*?>', '', poem[3]).strip() # 去除内容中的HTML标签
# 打印结果
print(f"标题: {title}")
print(f"作者: {author}")
print(f"内容: {content}")
print("-" * 50) # 分隔线
def spider():
# 目标URL
url = "https://www.gushiwen.cn/shiwens/default.aspx?cstr=%e5%94%90%e4%bb%a3"
parse_page(url)
if __name__ == '__main__':
spider()
部分正则表达式的来源：
poem_pattern = re.compile(
r'<div class="cont">.*?<b>(.*?)</b>.*?' # 标题
r'<p class="source">.*?<a.*?>(.*?)</a>.*?<a.*?>(.*?)</a>.*?' # 作者
r'<div class="contson">.*?>(.*?)</div>', # 内容
re.DOTALL
)
运行结果：
