python网络爬虫(二)——数据的清洗与组织

学会了网络爬虫发送请求后,我们可以获得一段目标的HTML代码,但是还没有把数据提取出来,接下来需要进行数据的清洗与组织。

python 复制代码
for item in data:
    result={
        'title':item.get_test(),
        'link':item.get('href')
    }
    print(result)

首先明确要提取的数据是标题和链接,标题在a标签中,提取标签的正文用get_text()方法;链接在a标签的href属性中,提取标签中的href属性用get()方法,在括号中指定要提取的属性数据,即get('href')

需要使用的正则符合如下:

\d:匹配数字

+:匹配前一个字符1次或多次

在Python中调用正则表达式时使用re库,这个库不用安装,可以直接调用。可以用如下代码:

python 复制代码
import requests
import re
from bs4 import BeautifulSoup

url = 'https://www.bilibili.com/video/BV1TC4y1N7dB/?spm_id_from=333.1007.0.0&vd_source=912d1bec97cad7dac820d2ba865f116a'
strhtml = requests.get(url)
#print(strhtml.text)

soup = BeautifulSoup(strhtml.text,'lxml')
data = soup.select('#main >div >div.mtop.firstMod.clearfix>div.centerBox>ul.newsList>li>a')
print(data)

for item in data:
    result={
        'title':item.get_test(),
        'link':item.get('href')
        'ID:'re.findall('\d+',item.get('href'))
    }
    print(result)
相关推荐
旺仔小拳头..几秒前
Maven相关
java·maven
要一起看日出2 分钟前
数据结构---------红黑树
java·数据结构·红黑树
疏狂难除5 分钟前
关于spiderdemo第二题的奇思妙想
javascript·爬虫
程序定小飞11 分钟前
基于springboot的民宿在线预定平台开发与设计
java·开发语言·spring boot·后端·spring
paid槮20 分钟前
Shell编程基本介绍
python
FREE技术24 分钟前
山区农产品售卖系统
java·spring boot
渣渣盟25 分钟前
探索Word2Vec:从文本向量化到中文语料处理
前端·javascript·python·文本向量化
天天进步201535 分钟前
Python全栈项目--基于计算机视觉的车牌识别系统
开发语言·python·计算机视觉
星光一影1 小时前
Java医院管理系统HIS源码带小程序和安装教程
java·开发语言·小程序
软件开发技术深度爱好者1 小时前
使用Python实现播放“.gif”文件增强版
开发语言·python