我们能够使用 urllib 向网页请求并获取其网页数据。但是抓取信息数据量比较大,我们可能需要其中一小部分数据。对付刚才的难题,就需要正则表达式出马了。正则表达式能帮助我们匹配过滤到我们需要的数据,但它学习起来非常枯燥无味。你可能会说,我还没有开始想学习正则表达式,你就来打击我? 莫慌!层层递进地学习,一步一个脚印地学习,很快就会学会了。对于爬虫,我觉得学会最基本的符号就差不多了。
1 正则表达式
下面是一张关于正则表达式字符的图,图片资料来自CSDN。先把图中字符了解清楚,基本上算是入门。
2 re 模块
Python 自1.5版本起通过新增 re (Regular Expression 正则表达式)模块来提供对正则表达式的支持。使用 re 模块先将正则表达式填充到 Pattern 对象中,再把 Pattern 对象作为参数使用 match 方法去匹配的字符串文本。match 方法会返回一个 Match 对象,再通过 Match 对象会得到我们的信息并进行操作。下面介绍几个 re 常用的函数。
2.1 compile 函数
compile
是把正则表达式的模式和标识转化成正则表达式对象,供 match() 和 search() 这两个函数使用。它的函数语法如下:
-
第一个参数是
pattern
,指的正则表达式。 -
第二个参数
flags
是匹配模式,是个可选参数。可以使用按位或’|’表示同时生效,也可以在正则表达式字符串中指定。匹配模式有以下几种:
-
该方法返回的结果是一个 Pattern 对象。
2.2 match 函数
match()
函数只在字符串的开始位置尝试匹配正则表达式,也就是说只有在 0 位置匹配成功的话才有返回。如果不是开始位置匹配成功的话,match() 就返回 none。它的函数语法如下:
-
第一个参数:匹配的正则表达式
-
第二个参数:要被匹配的字符串
-
flags 是可选参数,跟 compile 用法相似
-
匹配成功 re.match 方法返回一个匹配的对象,否则返回None。要想获得匹配结果,既可以使用
groups()
函数获取一个包含所有字符串的元组(从 1 到 所含的小组号),也可以使用group(组号)
函数获取某个组号的字符串。
match
函数用法的示例代码:
2.3 search 函数
search()
函数是扫描整个字符串来查找匹配,它返回结果是第一个成功匹配的字符串。
参数用法以及返回结果跟match
函数用法相同。
search
函数用法的示例代码:
2.4 findall 函数
findall
函数在字符串中搜索子串,并以列表形式返回全部能匹配的所有子串。
参数用法以及返回结果跟match
函数用法相同。
findall
函数用法的示例代码:
作者:猴哥,公众号:极客猴。爱好读书,喜欢钻研技术,梦想成为文艺青年的IT Boy。
- END -
极客猴
分享干货的公众号
长按指纹 > 识别图中二维码 > 添加关注