爬虫正则+bs4+xpath+综合实战详解
由于上述代码已经涵盖了使用正则表达式、BeautifulSoup 4 (bs4)、XPath 解析网页的详细过程，并且是一个实际的爬虫示例，因此不需要提供额外的代码。但是，为了更好地理解这些技术的应用，我们可以提供一个简化的代码实例，演示如何使用正则表达式和BeautifulSoup解析简单的HTML内容。
import re
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<div class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</div>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc, 'html.parser')
# 使用BeautifulSoup查找链接
links = soup.find_all('a')
for link in links:
print(link.get('href'))
# 使用正则表达式提取标题
title_pattern = re.compile(r'<b>(.*?)</b>')
title_match = title_pattern.search(html_doc)
if title_match:
print(title_match.group(1))这个例子展示了如何使用BeautifulSoup查找HTML文档中所有的链接，并使用正则表达式提取文档标题。这是爬虫技术在处理简单HTML内容时的一个常见用法。
评论已关闭