码迷,mamicode.com
首页 > 编程语言 > 详细

Python 爬虫_正则表达式

时间:2018-09-03 12:13:35      阅读:221      评论:0      收藏:0      [点我收藏+]

标签:.text   imp   requests   url   htm   转义   port   表达式   more   

用来对字符串操作的一种逻辑方式, 对字符串的一种过滤逻辑。
表达式全集: http://tool.oschina.net/uploads/apidocs/jquery/regexp.html

1. 

1. re.match ==>尝试从字符串的起始位置匹配一个模式,如果第一个字符不嫩匹配,则不能正常匹配
        re.match(pattern,sring,flags=0)

2. 匹配目标:

import re
        content=Hello 1234567 world_this is a regex demo
        result=re.match(^Hello\s(\d+)\sworld.*demo$,content)    #正则表达式
        print(result.group(1))    #输出第一个括号的内容
        print(result.span())     #输出输出字符串的数量

3. 贪婪匹配:

import re
        content=Hello 1234567 world_this is a regex demo
        result=re.match(^He.*(\d+)\sworld.*demo$,content)    
        print(result.group(1))    #只能输出7
#非贪婪匹配
        import re
        content=Hello 1234567 world_this is a regex demo
        result=re.match(^He.*?(\d+).*demo$,content)    
        print(result.group(1))     #输出1234567
#匹配模式:
        import re
        content=‘‘‘Hello 1234567 world_this 
        is a regex demo
        ‘‘‘
        result=re.match(^He.*?(\d+).*?demo$,content,re.s)    #re.s 是匹配换行符的
        print(result.group(1))    #输出1234567

4. 转义: 特殊字符需要转义

import re
        content=price is $500
        result=re.match(price is \$500\‘,content)     #转义之后才能匹配

5. re.search: 扫描字符串,返回第一个匹配的字符,能用search就不用match

import re
        content=Hello 1234567 world_this is a regex demo
        result=re.search(Hello\s(\d+)\sworld.*demo$,content)     #输出全部字符串

6. re.findall

results=re.findall(正则表达式,html,re.S)
        for result in results:
        print(result)
        print(result[1],result[2]...)

7. re.sub: 字符串替换

import re
        content=Hello 1234567 world_this is a regex demo extra stings
        content=re.sub(\d+,‘‘,content)

8. re.compile: 把字符串编译成正则表达式

import re
        content=‘‘‘Hello 1234567 world_this 
        is a regex demo
        ‘‘‘
        result=re.compile(hello.*demo,re.s)    #re.s 是匹配换行符的
        result=re.match(pattern,content)
#实战练习:
        import requests
        import re
        content=requests.get(http://book.doubancom/).text
        patten=re.compile(<li,*cover.*?href="(.*?)".*?title="(.*?)".*?more-meta.*?author>(.*?)</span>.*?year>(.*?)</span>.*?</li>,re.S)
        results=re.findall(pattern.content)
        #print (results)
        for result in results
            url, name,author,date=result
            author=re.sub(\s,‘‘,author)
            date=re.sub(\s,‘‘,date)
            print(url,name,author,date)

 

Python 爬虫_正则表达式

标签:.text   imp   requests   url   htm   转义   port   表达式   more   

原文地址:https://www.cnblogs.com/spencersun/p/9577411.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!