Python 正则表达式之爬取古诗文名句

Python 正则表达式之爬取古诗文名句

概述:

 山有木兮木有枝，心悦君兮君不知。

概念介绍：

• 正则表达式：正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。简单来说就是利用事先规定好的符号规则进行组合，然后过滤匹配，得到自己想要的数据！
• Python 正则表达式：import导入re模块使 Python 语言拥有全部的正则表达式功能。

基本知识：

• 正则表达式常用字符：

元字符	含义
.	匹配一个除了\n的任意字符
*	匹配前面的表达式0次或者任意次
？	匹配前面的表达式0次或者1次 最多一次
+	匹配前面的表达式1次或者任意次 最少一次
（）	只返回匹配的内容
.*	贪婪匹配，一直匹配到最后一个
.*？	非贪婪匹配，匹配到第一个及结束
{n}	匹配n次
\d	匹配任何一个数字 D为不匹配任何数字
\w	匹配任何一个字母 W为不匹配任何数字

• Python 正则表达式常用函数

函数	含义
re.findall	可以获取字符串中所有匹配的字符串,返回一个数组
re.S	忽略换行
re.I	忽略大小写

本地爬取：

• 首先本地保存文件1.txt,里面保存的时我比较喜欢的一首诗 When you are old.

import re     					#导入正则匹配模块
text = ''
file = open('1.txt')  			#打开本地文档
for line in file:
								#line =line.strip('\n') 如果想过滤掉每行换行符，可以加该语句
	text = text + line  #将每一行取出，放到text里
file.close()

result = re.findall(' a\w*',text) #匹配首字母是a的所有字符
								#result = set(result) 不重复唯一表示
print(result)