爬虫笔记day04

续正则分组例题

注意：有加括号的只输出括号里面的表达式，多个括号用元组存储

#例子：
import re
S='A B C D'
p1=re.compile('\w+\s+\w+')
p=p1.findall(S) #['A B', 'C D']
p2=re.compile('(\w+)\s+(\w+)')
p=p2.findall(S) #[('A', 'B'), ('C', 'D')]
p3=re.compile('(\w+)\s+\w+')
p=p3.findall(S) #['A', 'C']
print(p)

正则案例：

要求：重给出的html代码中提取如下内容
1、第一步实现：[('Tiger','Two...'),('Rabbit','Small...')]
2、第二步实现：
动物名称：Tiger
动物描述：Two.....
**************************
动物名称：Rabbit
动物描述：Small....
**************************

html代码:
<div class="animal">
    <p class="name">
        <a title="Tiger"></a>
    </p>
    <p class="content">
        Two tiger two tigers run fast
    </p>
</div>
<div class="animal">
    <p class="name">
        <a title="Rabbit"></a>
    </p>
    <p class="content">
        Small white rabbit white and white
    </p>
</div>
"""

实现代码：

import re
s='''
<div class="animal">
    <p class="name">
        <a title="Tiger"></a>
    </p>
    <p class="content">
        Two tiger two tigers run fast
    </p>
</div>
<div class="animal">
    <p class="name">
        <a title="Rabbit"></a>
    </p>
    <p class="content">
        Small white rabbit white and white
    </p>
</div>
'''
#正则表达式中需要删除的多余的可用.*?代替(非贪婪匹配)，要提取的内容加括号即可
reg='<a title="(.*?)">.*?<p class="content">(.*?)</p>'
p1=re.compile(reg,re.S)
p=p1.findall(s)
#第一步实现：
print(p)
#第二步实现
for r in p:
    #去除前后多余的换行符和空格
    print("动物名称：",r[0].strip())
    print("动物描述：", r[1].strip())
    print('*'*50)

运行结果：