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