Python爬虫笔记（三）（2）正则表达式

最新推荐文章于 2024-06-03 15:07:18 发布

华夏龙傲天

最新推荐文章于 2024-06-03 15:07:18 发布

阅读量170

点赞数

分类专栏： python爬虫 python 文章标签： python 正则表达式 json 字符串

本文链接：https://blog.csdn.net/hxlat/article/details/103619840

版权

python爬虫同时被 2 个专栏收录

9 篇文章 0 订阅

订阅专栏

python

7 篇文章 0 订阅

订阅专栏

一、数据的分类

1、结构化数据

	特点：
	数据以行为单位，每一个数据表示一个实体。
	每一行数据的属性都是一样的。
	
	举例：关系型数据库中的表就是结构化数据。
	处理方法：sql

2、半结构化数据

	特点：
	结构化数据的另一种形式。
	他并不符合关系型数据的特点，不能用关系型模型来描述。
	但是这种数据包含相关标记，有用来分割语义元素以及字段进行分层的描述。
	因此也被称为自描述结构。
	
	举例：xml，html，json
	处理方法：正则，xpath，jsonpath，css选择器。

3、非结构化数据：

	特点：没有固定结构的数据。
	举例：文档、图片、音频、视频。
	处理方法：常常用二进制形式来做整体保存。

二、json数据

1、json是什么语言的内容？

	json是js语言中用来用【字符串格式】
	来保存对象和数组的一种 数据结构。
	json数据本质上是字符串。

2、js种数组和对象：

	js的数组：var array  = ['aaa','bb','cc']
		---和python列表对应
	js的对象：var obj = {name：'zhangsan',age:10}
		---和python字典对应。
		name = obj.name

3、json数据的解析方法：

	json模块：
	对json字符串的操作“：
		json.loads(json_str)--->python的list或者dict
		json.dumps(python的list或者dict) --->json_str

	对json文件的操作：
		json.load(fp)
		--->从json文件中读出json数据，返回一个python的list或者dict
		json.dump(python的list或者dict，fp)
		---》python的list或者dict保存到fp所对应的的文件中。

4、json的意义：

	json作为数据格式进行传输，具有较高的效率
	json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，
	他的数据有效占比（有效数据和总数据的比）比xml高很多。
	在相同流量下，json比xml作为数据传输，传输的数据更多。

三、正则表达式

1、元字符

	（1）匹配边界：
		^ ----行首
		$-----行尾
	（2）重复次数
		？----0次或1次
		*----->=0
		+---- >=1
		{n,}--->=n
		{n,m}--->=n,<=m
		{n}----n次
	（3）各种字符的表示
		[]----匹配括号中一个字符，单字符
		[abc]--匹配a或者b或者c
		[a-z0-9A-Z]
		\d---数字
		\w---数字字母下划线
		\s---空白字符：换行符、制表符、空格
		\b---单词边界
		.----除换行符以外的任意字符。

2、re模块的使用。

	python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
	#1导包
	import re
	#2将正则表达式编译成一个pattern对象
	pattern = re.complie(
				r'正则表达式',
				'匹配模式'
				)
	r表示元字符。
	#3、用pattern对象来使用相应的方法来匹配内容。

（2）pattern对象的方法：
	1.match方法：默认从头开始，只匹配一次，返回一个match对象。
	pattern.match(
		'匹配的目标字符串'，
		start,匹配开始的位置--缺省，start = 0
		end，匹配结束的位置--缺省,end = -1
	)--->match对象
	
	match对象的属性：
		match.group()---获取匹配内容。
		match.span()--匹配的范围
		match.start()---开始位置
		match.end()---结束位置
			这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
			match.group(0)---获取匹配内容。
			match.span(0)--匹配的范围
			match.start(0)---开始位置
			match.end(0)---结束位置
			match.groups()--将所有分组的内容，按顺序放到一个元组中返回
	2、search方法：从任意位置开始匹配，只匹配一次，返回一个match对象
		pattern.search(
			'匹配的目标字符串'，
			start,匹配开始的位置--缺省，start = 0
			end，匹配结束的位置--缺省,end = -1
		)--->match对象

3、findall方法：全文匹配，匹配多次，将每次匹配到的结果放到list中返回。

		pattern.findall(
			'匹配的目标字符串'，
			start,匹配开始的位置--缺省，start = 0
			end，匹配结束的位置--缺省,end = -1
		)--->list

4、finditer方法：全文匹配，匹配多次，返回一个迭代器。

		pattern.finditer(
			'匹配的目标字符串'，
			start,匹配开始的位置--缺省，start = 0
			end，匹配结束的位置--缺省,end = -1
		)--->list	
		finditer主要用匹配内容比较多的情况下。

5、split：切分，按照正则所表示内容进行切分字符串，返回切分后的每个子串

		pattern.split(
			'要切分的字符串'，
			'切分字数'，默认是全部分。
		)--->list

6、sub方法：用指定字符串，替换正则表达所匹配到的内容。

		pattern.sub(
			repl,#替换成什么
			content,替换什么
			count,替换次数，默认替换所有
		)--->替换后的字符串。
		
		repl替换内容可以使函数：
			函数要求：
				1.函数必须有参数，
				参数就是正则匹配目标字符串所得到的每个match对象。
				2、这个函数必须要有返回值，
				返回值必须是字符串，这个字符串将来就作为替换的内容。
		
		#zhangsan:3000,lisi:4000
		#涨工资每个人涨1000
		content = 'zhangsan:3000,lisi:4000'
		p = re.compile(r'\d+')
		result = p.sub(add,)

7、分组

		分组在正则表达式中使用（）来表示的，一个括号就是一个分组。
		分组的作用：
		（1）筛选特定内容
		（2）可以在同一个表达式中应用前面的分组：
			\1引用第一分组
		（3）findall配合分组
			import re

			content = '<html><h1>正则表达式</h1></html>'
			p = re.compile(r'<(html)><(h1)>(.*)</\2></\1>')
			# print(p.search(content).group())
			print(p.findall(content))#[('html', 'h1', '正则表达式')]

8、贪婪非贪婪模式

		（1）贪婪和非贪婪的却别在于匹配内容的多少。
		（2）贪婪使用*来控制匹配次数的。正则默认是贪婪。
		（3）非贪婪使用?来控制的。
		（4）在表示数量控制元字符后面加一个？，
		此时就表示这个数量控制符取最小值，也就是非贪婪。

9.匹配模式：

		re.S ----.可以匹配换行符
		re.I----忽略大小写。

10、万能正则匹配表达式：

	.*?(尽可能少匹配任意内容)配合re.S