《大数据导论》课件——3.3.2正则表达式解析数据.pptx

下载文档

0
0
约1.17千字
约 10页
2024-12-07 发布于福建
举报
版权申诉
保障服务

《大数据导论》课件——3.3.2正则表达式解析数据.pptx

此“教育”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、本文档共10页，可阅读全部内容。
2、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

大数据导论

数据采集基于正则表达式的数据爬取

目录01任务描述02HTML源代码分析03抓取代码实现

任务描述在爬虫的开发中，需要把有用的信息从一大段文本中提取出来。正则表达式是提取信息的方法之一。本任务是使用Python正则表达式匹配豆瓣电影评分TOP250页面电影名字、电影介绍链接、电影评分等信息。思路如下：（1）引入使用正则表达式所需要的包。（2）模拟浏览器请求，请求豆瓣电影TOP250的数据。（3）使用compile方法，匹配出目标内容。（关键编写正确的正则表达式）

HTML源代码分析lidivclass=item***************divclass=infodivclass=hdahref=https:///subject/1292052/class=spanclass=title肖申克的救赎/span******************/a*******************divclass=star*************************spanclass=rating_numproperty=v:average9.7/span******************/div********************/div/div/div/lili.*?divclass=hd\n\s*?ahref=(.*?)class=.*?class=title(.*?)/span.*?property=v:average(.*?)/span.*?/li匹配正则表达式*颜色对应

爬取功能划分由于待解析的内容属于文本，因此可以使用正则表达式进行解析解析html文本内容从服务器获取html文档返回文本形式的内容获取html文档依次访问所有页面多页面读取调度

爬取代码实现多页面读取调度

爬取代码实现获取网页文本内容

爬取代码实现解析html文本内容

谢谢观看