Python爬虫学习笔记(1)-正则表达式_爬虫部分内容星号需要手动点击-CSDN博客

本文链接：https://blog.csdn.net/SkyeyesXY/article/details/50837984

Python爬虫学习笔记(1)-正则表达式

标签（空格分隔）： python 爬虫正则表达式

1.正则表达式的符号与方法

常用符号：点号，星号，问号与括号（小括号）

.:匹配任意字符，换行符\n除外
*:匹配前一个字符0次或无限次
?:匹配前一个字符0次或1次
.*:贪心算法
.*?:非贪心算法
():括号内的数据作为结果返回

常用方法：findall， search， sub

findall：匹配所有符合规律的内容，返回包含结果的列表
search：匹配并提取第一个规律的内容，返回一个正则表达式对象(object)
sub：替换符合规律的内容，返回替换后的值

1)findall

a.点号`.`

import re
a = 'xz123'
b = re.findall('x.', a)
print a

输出 ['xz']

点.是一个占位符，一个.代表一个符号

b.星号`*`

import re
a = 'xyxy123'
b = re.findall('x*', a)
print b

输出['x', '', 'x', '', '', '', '', '']

依次匹配字符，有则显示，无则显示''(空)。

c.问号`?`

import re
a = 'xy123'
b = re.findall('x?', a)
print b

单独与*一样，前面附加其他的符号将做非贪心限制

d.贪心`.*`

import re
secret_code = 'ghkj08hs68xxIxxa14kgj4w314exxlovexxbvk14rgjhxxyouxxfj4286ykjhag2'
b = re.findall('xx.*xx', secret_code)
print b

输出['xxIxxa14kgj4w314exxlovexxbvk14rgjhxxyouxx']

只要满足条件全部显示，贪心算法

e.非贪心`.*?`

b = re.findall('xx.*?xx', secret_code)

输出['xxIxx', 'xxlovexx', 'xxyouxx']

以上只做了解，一般只用（.*?）

f.经典用法`(.*?)`

b = re.findall('xx(.*?)xx', secret_code)

输出['I', 'love', 'you']

()包围所需要的内容，括号内的内容作为结果返回，不需要的内容放在括号外面

2)re.S

import re
secret_code = '''ghkj08hs68xxIxxa14kgj4w314exxlove
xxbvk14rgjhxxyouxxfj4286ykjhag2'''
#love后有换行符
b = re.findall('xx(.*?)xx', secret_code)
print b

输出['I', 'bvk14rgjh']，因为.不能匹配换行符。所以会一行为一个搜索项去找。匹配任何字符除了新的一行

import re
secret_code = '''ghkj08hs68xxIxxa14kgj4w314exxlove
xxbvk14rgjhxxyouxxfj4286ykjhag2'''
#love后有换行符
b = re.findall('xx(.*?)xx', secret_code, re.S)
print b

输出['I', 'love\n', 'you']，re.S让.匹配所有行，包括了换行符（以\n的形式出现）

3)search

对比search和findall的区别

search 找到一个后返回，不继续，客大大提高效率
findall遍历全部，找到尽可能多的项

import re
s2 = '''ghkj08hs68xxIxx123xxlove
xxbvk14rgjhxxfj4286ykjhag2'''
b = re.search('xx(.*?)xx(.*?)xx', s2, re.S).group(1)
print b

输出I
.group(2)输出love
.group(3)报错

group是按括号顺序匹配

import re
s2 = '''ghkj08hs68xxIxx123xxlovexxbvk14rgjhxxfj4286ykjhag2'''
f2 = re.findall('xx(.*?)xx123xx(.*?)xx', s2, re.S)
print f2[0][1]

输出love

每一个匹配项为第一级列表，括号为二级列表

4)sub

import re
s = '123abcssfasdfas123'
output = re.sub('123(.*?)123', '123789123', s)
print output

输出123789123
sub将符合条件的()内内容提换

5)注意：

from re import findall, search, S
最好不要引入，因为S等容易和变量等混淆，引起歧义

6)compile用法

import re
secret_code = '''ghkj08hs68xxIxxa14kgj4w314exxlove
xxbvk14rgjhxxyouxxfj4286ykjhag2'''
pattern = 'xx(.*?)xx'
new_pattern = re.compile(pattern, re.S)
b = re.findall(new_pattern, secret_code)
print b

因为findall自动调用compile方法，所以不先编译规律compile再匹配

7)匹配纯数字(\d+)

import re
a = 'dfhkgh43gfhja873y5t2167715'
b = re.findall('(\d+)', a)
print b

输出['43', '873', '5', '2167715']

2.应用举例

1)用findall和search从大量文本中匹配内容

a.提取标题

import re

old_url = 'http://www.jikexueyuan.com/course/android/?pageNum=2'
total_page = 20

f = open('text.txt', 'r')
html = f.read()
f.close()

title = re.search('<title>(.*?)</title>', html, re.S).group(1)
print title

text.txt

<html>
    <head>
        <title>极客学院爬虫测试</title>
    </head>
    <body>
        <div class="topic"><a href="http://jikexueyuan.com/welcome.html">欢迎参加《Python定向爬虫入门》</a>
            <div class="list">
                <ul>
                    <li><a href="http://jikexueyuan.com/1.html">这是第一条</a></li>
                    <li><a href="http://jikexueyuan.com/2.html">这是第二条</a></li>
                    <li><a href="http://jikexueyuan.com/3.html">这是第三条</a></li>
                </ul>
            </div>
        </div>
    </body>
</html>

输出极客学院爬虫测试

b.提取网址

link = re.findall('href="(.*?)"', html, re.S)
for each in link:
    print each

输出

http://jikexueyuan.com/welcome.html
http://jikexueyuan.com/1.html
http://jikexueyuan.com/2.html
http://jikexueyuan.com/3.html

c.提取文字信息

先爬大再爬小

text_fied = re.findall('<ul>(.*?)</ul>', html, re.S)[0]
the_text = re.findall('">(.*?)</a>', text_fied, re.S)
for every_text in the_text:
    print every_text

2)用sub实现翻页功能

for i in range(2, total_page+1):
    new_link = re.sub('pageNum=\d+', 'pageNum=%d'%i, old_url, re.S)
    print new_link

3.实战

目标网站：http://www.jikexueyuan.com/
目标内容：课程图片
实现原理：

1.保存网页的源代码
2.Python读文件加载源代码
3.正则表达式提取图片网址
4.下载图片

文本爬虫，半自动爬虫，人工爬虫

import re
import requests

f = open('sourse.txt', 'r')
html = f.read()
f.close()

pic_url = re.findall('img src="(.*?)" class="lessonimg"', html, re.S)
i = 0
for each in pic_url:
    print 'now downloading:' + each
    pic = requests.get(each)
    fp = open('pic\\' + str(i) + '.jpg', 'wb')
    fp.write(pic.content)
    fp.close()
    i += 1