python基础之正则表达式爬虫应用，configparser模块和subprocess模块

正则表达式爬虫应用（校花网）

1 import requests
2 import re
3 import json
4 #定义函数返回网页的字符串信息
5 def getPage_str(url):
6     page_string=requests.get(url)
7     return page_string.text
8
9 hua_dic={}
10 def run_re(url):　　#爬取名字、学校和喜爱的人数
11     hua_str=getPage_str(url)
12     hua_list=re.finditer('<span class="price">(?P<name>.*?)</span>.*?class="img_album_btn">(?P<school>.*?)</a>.*?<em class.*?>(?P<like>\d+?)</em>',hua_str,re.S)
13     for n in hua_list:　　　　#将名字、学校和喜爱的人数写入字典
14         hua_dic[n.group('name')]=[n.group('school'),n.group('like')]
15
16 def url():　　#获取url地址
17     for i in range(0,43):
18         urls="http://www.xiaohuar.com/list-1-%s.html" %i
19         yield urls
20 #执行爬取内容
21 for i in url():
22     run_re(i)
23
24 print(hua_dic)
25
26 # with open('aaa','w',encoding='utf-8') as f:
27 #     f.write(str(hua_dic))
28 data=json.dumps(hua_dic)　　#将爬取的字典进行序列化操作
29 print(data)
30 f=open('hua.json','a')
31 f.write(data)
32 #反序列化
33 # f1=open('hua.json','r')
34 # new_data=json.load(f1)
35 # print(new_data)

configparser模块

该模块适用于linux下conf配置文件的格式与windows ini文件类似，可以包含一个或多个节（section），每个节可以有多个参数（键=值）。

如：

[DEFAULT]
ServerAliveInterval = 45
Compression = yes
CompressionLevel = 9
ForwardX11 = yes

[bitbucket.org]
User = hg

[topsecret.server.com]
Port = 50022
ForwardX11 = no

生成文件示例：

1 import configparser
2
3 config = configparser.ConfigParser()　　#定义一个对象
4
5 config["DEFAULT"] = {'ServerAliveInterval': '45',　　#定义DEFAULT节的键值对信息，DEFAULT节是一个特殊的节，在其他的节里都包含DEFAULT节的内容
6                       'Compression': 'yes',
7                      'CompressionLevel': '9',
8                      'ForwardX11':'yes'
9                      }
10
11 config['bitbucket.org'] = {'User':'hg'}　　#普通的节
12
13 config['topsecret.server.com'] = {'Host Port':'5022','ForwardX11':'no'}　　#普通的节
14
15 with open('example.ini', 'w') as configfile:　　#写入文件
16     config.write(configfile)

查找文件内容：

1 import configparser
2
3 config = configparser.ConfigParser()
4 #--------------------------查找文件内容,基于字典的形
5 print(config.sections())        #  []
6 config.read('example.ini')
7 print(config.sections())        #   ['bitbucket.org', 'topsecret.server.com']
8 print('bytebong.com' in config) # False
9 print('bitbucket.org' in config) # True
10
11 print(config['bitbucket.org']["user"])  # hg
12 print(config['DEFAULT']['Compression']) #yes
13 print(config['topsecret.server.com']['ForwardX11'])  #no
14 print(config['bitbucket.org'])          #<Section: bitbucket.org>
15 for key in config['bitbucket.org']:     # 注意,有default会默认default的键
16     print(key)
17 print(config.options('bitbucket.org'))  # 同for循环,找到'bitbucket.org'下所有键
18 print(config.items('bitbucket.org'))    #找到'bitbucket.org'下所有键值对
19 print(config.get('bitbucket.org','compression')) # yes       get方法取深层嵌套的值

subprocess模块

当我们需要调用系统的命令的时候，最先考虑的os模块。用os.system()和os.popen()来进行操作。但是这两个命令过于简单，不能完成一些复杂的操作，如给运行的命令提供输入或者读取命令的输出，判断该命令的运行状态，管理多个命令的并行等等。这时subprocess中的Popen命令就能有效的完成我们需要的操作。

subprocess模块允许一个进程创建一个新的子进程，通过管道连接到子进程的stdin/stdout/stderr，获取子进程的返回值等操作。
这个模块只一个类：Popen。
简单命令

1 import subprocess
2 #  创建一个新的进程,与主进程不同步  if in win:
3 s=subprocess.Popen('dir',shell=True)
4 #  创建一个新的进程,与主进程不同步  if in linux:
5 s=subprocess.Popen('ls')
6 s.wait()                  # s是Popen的一个实例对象，意思是等待子进程运行完后才继续运行
7 print('ending...')

带选项命令（win、linux一样）

1 import subprocess
2 subprocess.Popen('ls -l',shell=True)
3 #subprocess.Popen(['ls','-l'])

控制子进程

1 s.poll() # 检查子进程状态
2 s.kill() # 终止子进程
3 s.send_signal() # 向子进程发送信号
4 s.terminate() # 终止子进程
5 s.pid:子进程号

子进程输出流控制

可以在Popen()建立子进程的时候改变标准输入、标准输出和标准错误，并可以利用subprocess.PIPE将多个子进程的输入和输出连接在一起，构成管道(pipe)：

1 import subprocess
2 # s1 = subprocess.Popen(["ls","-l"], stdout=subprocess.PIPE)
3 # print(s1.stdout.read())
4 #s2.communicate()
5 s1 = subprocess.Popen(["cat","/etc/passwd"], stdout=subprocess.PIPE)
6 s2 = subprocess.Popen(["grep","0:0"],stdin=s1.stdout, stdout=subprocess.PIPE)
7 out = s2.communicate()
8 print(out)
9
10 s=subprocess.Popen("dir",shell=True,stdout=subprocess.PIPE)
11 print(s.stdout.read().decode("gbk"))

ubprocess.PIPE实际上为文本流提供一个缓存区。s1的stdout将文本输出到缓存区，随后s2的stdin从该PIPE中将文本读取走。s2的输出文本也被存放在PIPE中，直到communicate()方法从PIPE中读取出PIPE中的文本。
注意：communicate()是Popen对象的一个方法，该方法会阻塞父进程，直到子进程完成